Проектирование лучших молекулярные строительные блоки для компонентов батареи-это как пытаться создать рецепт нового пирога, когда у вас есть миллиарды потенциальных ингредиентов. Задача заключается в определении, какие ингредиенты лучше всего работают вместе, или, проще говоря, произвести съедобной (или, в случае аккумуляторов, безопасной) продукции. Но даже с государством в самых современных суперкомпьютеров, ученые не могут точно моделировать химические характеристики каждой молекуле, что может стать основой следующего поколения батареи материал.
Вместо этого, исследователи из Департамента национальной лаборатории энергетики (МЭ) Аргонн повернулся к мощности машинного обучения и искусственного интеллекта, чтобы значительно ускорить процесс обнаружения батареи.
Как описано в двух новых документах, Аргон исследователи впервые создали очень точную базу из примерно 133,000 небольшие органические молекулы, которые могли бы заложить основу для электролитов аккумуляторных батарей. Для этого они использовали вычислительноемких модель под названием G4MP2. Этот набор молекул, однако, представляет собой лишь небольшое подмножество 166 млрд более крупных молекул, которые ученые хотели, чтобы зонд для кандидатов электролита.
Потому что через G4MP2 для решения каждой из 166 миллиардов молекул потребовалось бы невозможное количество вычислительной сил и времени, исследовательская группа используется алгоритм машинного обучения, чтобы связать точно известно, расчистка от меньшего набора данных более крупно по образцу конструкций из большего набора данных.
«Когда дело доходит до определения того, как эти молекулы работают, есть большие компромиссы между точностью и временем, которое требуется, чтобы вычислить результат», — сказал Иэн Фостер, науки Аргоннской данных и руководитель отдела и автор одной из статей. «Мы считаем, что машинное обучение представляет собой способ получения молекулярных рисунок, который является почти столь же точной на долю расчетной стоимости».
Чтобы обеспечить основу для модели машинного обучения, Фостер и его коллеги использовали менее вычислительно налогообложение основы моделирования, основанные на теории функционала плотности, квантово-механического моделирования, использованные для расчета электронной структуры больших систем. Теория функционала плотности обеспечивает хорошее приближение молекулярных свойств, но является менее точным, чем G4MP2.
Уточнение алгоритма для лучшего ознакомления более широкого класса органических молекул, участвующих сравнивая положение атомов молекул, вычисленные с высокой точностью G4MP2 по сравнению с теми, проанализированы с помощью только теории функционала плотности. С помощью G4MP2 как золотой стандарт, исследователи смогли обучить функциональная модель теории плотности включать поправочный коэффициент, повышая его точность при сохранении вычислительных затрат.
«Алгоритм машинного обучения дает нам возможность посмотреть на отношения между атомами в большие молекулы и их соседей, чтобы увидеть, как они связаны и взаимодействуют, и искать сходства между этими молекулами и других мы знаем очень хорошо», — сказал Аргон вычислительная ученый Логан, Уорд, автор одного из исследований. «Это поможет нам делать прогнозы об энергиях этих крупных молекул или различия между низкой и высокой точностью расчетов.»
«Весь этот проект предназначен, чтобы дать нам большую картину из батареи электролит кандидатов», — добавил Аргоннской химик Раджив Assary, автор обоих исследований. «Если мы собираемся использовать молекулы для приложений хранения энергии, нам необходимо знать такие свойства, как стабильность, и мы можем использовать эту машинного обучения для прогнозирования свойств больше, точнее молекулы.»
Бумага, описывающая формирование G4MP2 на основе набора данных, «точный квантово-химических энергий для 133,000 органические молекулы» появились в 27 июня онлайн проблемы химической науки.
Второй документ с описанием алгоритма машинного обучения, «машина предсказаний изучение точных распыление энергии из органических молекул с низкой точности квантово-химических расчетов» появился в 27 августа вопрос миссис коммуникаций.
сделать разницу: спонсорские возможности
Ответить
Хотите присоединиться к обсуждению?Не стесняйтесь вносить свой вклад!