Investigadores han desarrollado MatUQ, un nuevo conjunto de datos y un marco de evaluación para la predicción de propiedades de materiales utilizando redes neuronales gráficas (GNNs). Este trabajo aborda el desafío de la fiabilidad en las predicciones de GNNs, especialmente cuando se enfrentan a datos fuera de distribución (OOD), es decir, materiales con estructuras o composiciones significativamente diferentes a las vistas durante el entrenamiento. MatUQ se enfoca en cuantificar la incertidumbre de estas predicciones, un aspecto crucial para la aplicación segura de la inteligencia artificial en el descubrimiento y diseño de nuevos materiales.

El estudio destaca que, si bien las GNNs han mostrado un gran potencial en la predicción de propiedades de materiales, su rendimiento y fiabilidad disminuyen drásticamente cuando se aplican a materiales OOD. MatUQ proporciona un punto de referencia para evaluar la capacidad de los modelos de GNN para no solo predecir propiedades, sino también para estimar la incertidumbre asociada a esas predicciones en escenarios OOD. Esto es fundamental para que los científicos de materiales puedan confiar en las recomendaciones de los modelos de IA y evitar la síntesis de materiales con propiedades inesperadas o indeseables.

MatUQ incluye un conjunto diverso de propiedades de materiales y estructuras, diseñadas para probar rigurosamente la robustez de los modelos frente a la variabilidad de los datos. La metodología propuesta permite comparar diferentes enfoques de GNN en su capacidad para generar predicciones precisas y estimaciones de incertidumbre bien calibradas. Este avance es un paso significativo hacia el desarrollo de modelos de IA más robustos y fiables para la ciencia de materiales, acelerando el descubrimiento de nuevos compuestos con propiedades optimizadas para diversas aplicaciones tecnológicas.