При поиске по теоретической перечни возможных новых материалов для конкретных приложений, таких как батареи или других энергетических устройств, часто существуют миллионы возможных материалов, которые могут быть рассмотрены, и несколько критериев, которые должны быть соблюдены и оптимизированы одновременно. Теперь, исследователи из Массачусетского технологического института нашли способ значительно ускорить процесс обнаружения, с помощью системы машинного обучения.
В качестве демонстрации, команда прибыла в набор из восьми наиболее перспективных материалов, из почти 3 миллионов человек, для системы хранения энергии, которая называется расход батареи. Этот процесс выбраковки взял бы 50 лет с помощью обычных аналитических методов, они говорят, но они выполнили его в пять недель.
Результаты отражаются в журнале центральных кондиционеров науки, в работе профессора Массачусетского технологического института химического машиностроения Хизер Кулик, Джон Поль Жанэ К. ’19, Рамеш Sahasrajit, и аспирант Chenru Зуан.
В ходе исследования специалисты изучили множество материалов, называемых комплексов переходных металлов. Они могут существовать в огромном количестве различных форм, и говорит Кулик они «по-настоящему интересны, функциональных материалов, которые, в отличие от многих других материалов фаз. Единственный способ понять, почему они работают, как они делают это, чтобы изучить их при помощи квантовой механики».
Предсказать свойства любого из миллионов этих материалов потребует времени и ресурсов спектроскопии и других лабораторных работ, или затрат времени, чрезвычайно сложной физики на основе компьютерного моделирования для каждого возможного кандидата, материал или сочетание материалов. Каждое такое исследование может занять от нескольких часов до суток работы.
Вместо этого, Кулик и ее команда взяли небольшое количество различных материалов и использовал их, чтобы научить расширенное машинное обучение нейронной сети об отношениях между материалы’ химические составы и их физические свойства. Затем эти знания были применены для создания предложения для следующего поколения возможных материалов, которые будут использоваться для следующего этапа обучения нейронной сети. Через четыре последовательных итераций этот процесс, нейронная сеть значительно улучшилось каждый раз, пока не достигнет точки, в которой стало ясно, что дальнейшие итерации не даст какого-либо дальнейших усовершенствований.
Эта система итерационная оптимизация значительно упростили процесс выработки потенциальных решений, которые устраивают обе конфликтующие критерии изыскиваются. Такой процесс поиска оптимальных решений в ситуациях, когда улучшение одного фактора ведет к ухудшению другого, называется Парето-фронт, представляющий собой график из точек таких, что какое-либо дальнейшее улучшение одного фактора позволит сделать других хуже. Другими словами, этот график представляет собой оптимальный компромисс баллов, в зависимости от относительной важности, назначенных для каждого фактора.
Подготовка типовых нейронных сетей требует очень больших наборов данных, начиная от нескольких тысяч до миллионов примеров, но Кулик и ее команда были в состоянии использовать это итерационный процесс, основанный на фронт Парето модели, чтобы упростить процесс и обеспечить надежные результаты, используя только несколько сотен образцов.
В случае отбора для материалов батареи потока, нужные характеристики были в конфликте, как это часто бывает: оптимальный материал будет иметь высокую растворимость и высокую плотность энергии (способность накапливать энергию для определенного веса). Но увеличение растворимости наблюдается тенденция к уменьшению плотности энергии, и наоборот.
Не только нейронные сети способны быстро придумать перспективных кандидатов, он также был в состоянии назначать уровни доверия для различных прогнозов по каждой итерации, что способствовало уточнению при формировании выборки на каждом шаге. «Мы разработали лучше, чем лучшие в своем классе метод количественной оценки неопределенности для действительно знать, когда эти модели не в состоянии», — говорит Кулик.
С этой задачей они выбрали для подтверждения концепции судебного разбирательства стали материалы для использования в окислительно-восстановительных расхода батареи, тип батареи, которая открывает большие перспективы для большой, сетка-шкала батареи, что может сыграть важную роль в обеспечении чистой, возобновляемой энергии. Комплексов переходных металлов являются предпочтительными категории материалы для такой батареи, говорит Кулик, но есть слишком много возможностей оценить с помощью обычных средств. Они начали со списка из 3 млн таких комплексов, в конечном итоге, прежде чем строгать что до восьми хороших кандидатов, вместе с набором правил проектирования, которые позволяют экспериментаторов, чтобы исследовать потенциал этих кандидатов и их вариации.
«Через этот процесс, нейронная сеть, как становится все умнее о [дизайн] пространство, но также более пессимистичны, что ничего сверх того, что мы уже характеризовали может дополнительно улучшить то, что мы уже знаем», — говорит она.
Отвлекаясь от конкретных комплексов переходных металлов, предложенных для дальнейшего расследования, используя эту систему, говорит она, сама методика может иметь гораздо более широкого круга задач. «Мы рассматриваем это как рамки, которые могут быть применены к любому дизайну материалов вызов, где вы реально пытается решить несколько задач одновременно. Вы знаете, все самые интересные материалы, задачи проектирования являются те, где у вас есть одна вещь, которую вы пытаетесь улучшить, а улучшив, что ухудшает другой. И для нас, редокс-батарея подачи пара редокс-просто хорошая демонстрация того, где мы думаем, что можем пойти с этой машинного обучения и ускоренного обнаружения материалов».
Например, оптимизация катализаторов для различных химических и производственных процессов другой вид такого сложного поиска материалов, — говорит Кулик. В настоящее время используются катализаторы часто связаны редких и дорогих элементов, поэтому найти такие же эффективные соединений на основе массовых и недорогих материалов может стать значительным преимуществом.
«Этот документ представляет, я считаю, первое применение многомерных направлены улучшение химических наук», — говорит она. Но в долгосрочной перспективе значимость работы заключается в самой методологии, из-за того, что не может быть вообще иначе. «Вы начинаете понимать, что даже с параллельных вычислений, такие случаи, когда мы не придумали принцип конструкции каким-либо другим способом. И эти провода, которые идут из нашей работы, это не обязательно на все идеи, которые уже были известны из литературы или что эксперт смог бы указать вам.»
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!