(Источник: официальный сайт Аргонны)

Разработка оптимального молекулярного состава компонентов аккумуляторов — сложная задача. Это как создать новый рецепт торта, основанный на миллиардах потенциальных ингредиентов. Дизайнеры сталкиваются со многими проблемами, например, с определением того, какие ингредиенты лучше всего сочетаются друг с другом. И даже с помощью самых современных суперкомпьютеров ученые не могут достаточно точно смоделировать химические свойства каждой молекулы, чтобы доказать, что она может стать основой для следующего поколения материалов для батарей.

По сообщениям зарубежных СМИ, исследователи Аргоннской национальной лаборатории Министерства энергетики США использовали возможности машинного обучения и искусственного интеллекта, чтобы значительно ускорить процесс разработки аккумуляторов. Во-первых, исследователи использовали вычислительно интенсивную модель G4MP2 для создания высокоточной базы данных, содержащей около 133 000 небольших органических молекул, которые могут составлять основной электролит батареи. Однако это лишь часть из 166 миллиардов крупных молекул, которые ученые хотят изучить. Чтобы сэкономить время и мощность вычислений, команда использовала алгоритмы машинного обучения для соединения точно известных структур в небольших наборах данных с более грубыми смоделированными структурами в больших наборах данных. «Мы считаем, что машинное обучение представляет собой способ получения почти точных молекулярных изображений за небольшую часть вычислительных затрат», — сказал Ян Фостер, руководитель отдела обработки данных и обучения Аргоннского университета.

Чтобы заложить основу В качестве основы для модели машинного обучения Фостер и его коллеги использовали структуру моделирования с небольшим объемом вычислений, основанную на теории функционала плотности, и использовали эту структуру моделирования квантовой механики для расчета электронной структуры в больших системах. Теория функционала плотности может лучше объяснить молекулярные свойства, но она не так точна, как G4MP2.

Чтобы получить лучшее и более широкое понимание органической молекулярной информации, необходимо использовать высокоточный G4MP2 для расчета положений атомов в молекулах и сравнивать их с молекулами, анализируемыми только с помощью теории функционала плотности, чтобы улучшить алгоритм. Исследователи использовали G4MP2 в качестве стандарта для обучения модели теории функционала плотности и добавили поправочные коэффициенты, чтобы сократить вычислительные затраты и повысить точность.

Ученый-компьютерщик из Аргонна Логан Уорд сказал: «Алгоритмы машинного обучения дают нам возможность изучать взаимоотношения между атомами и их соседями в макромолекулах, понимать, как они объединяются и взаимодействуют, а также искать сходства между Молекулы и другие молекулы, которые мы хорошо знаем. Мы можем использовать это, чтобы предсказать энергию больших молекул или разницу между расчетами с высокой и низкой точностью".

Аргоннский химик Раджив Ассари сказал: "Мы запустили этот проект, надеясь, что ", чтобы получить максимально полную картину потенциальных компонентов электролитов аккумуляторной батареи. Чтобы использовать молекулу для хранения энергии, нам необходимо понять ее свойства, такие как стабильность. Благодаря машинному обучению мы можем более точно предсказать свойства макромолекул ". /п>

Источник: Gasgoo

Автор: Элиша