Videnskab
 science >> Videnskab >  >> Kemi

Nye maskinlæringsbaserede rammer kan føre til gennembrud inden for materialedesign

Yaxin An, Sanket A. Deshmukh, og Karteek Bejagam. Kredit:Virginia Tech

Computere plejede at optage hele lokaler. I dag, en bærbar computer på to pund kan nemt glide ned i en rygsæk. Men det ville ikke have været muligt uden skabelsen af ​​nye, mindre processorer - hvilket kun er muligt med innovation af nye materialer.

Men hvordan opfinder materialeforskere egentlig nye materialer? Gennem eksperimenter, forklarer Sanket Deshmukh, en assisterende professor i kemiingeniørafdelingen, hvis teams nyligt offentliggjorte beregningsforskning kan i høj grad forbedre effektiviteten og omkostningsbesparelserne ved materialedesignprocessen.

Deshmukhs laboratorium, laboratoriet Computational Design of Hybrid Materials, er dedikeret til at forstå og simulere den måde, molekyler bevæger sig og interagerer på - afgørende for at skabe et nyt materiale.

I de seneste år, maskinelæring, en stærk undergruppe af kunstig intelligens, er blevet ansat af materialeforskere til at fremskynde opdagelsen af ​​nye materialer gennem computersimuleringer. Deshmukh og hans team har for nylig offentliggjort forskning i Journal of Physical Chemistry Letters demonstrerer en ny maskinlæringsramme, der træner "i farten, " hvilket betyder, at den øjeblikkeligt behandler data og lærer af dem for at accelerere udviklingen af ​​beregningsmodeller.

Traditionelt udføres udviklingen af ​​beregningsmodeller "manuelt via trial-and-error tilgang, hvilket er meget dyrt og ineffektivt, og er en arbejdskrævende opgave, "Forklarede Deshmukh.

"Denne nye ramme bruger ikke kun maskinlæring på en unik måde for første gang, "Deshmukh sagde, "men det accelererer også dramatisk udviklingen af ​​nøjagtige beregningsmodeller af materialer."

"Vi træner maskinlæringsmodellen på en 'omvendt' måde ved at bruge egenskaberne af en model opnået fra molekylær dynamiksimuleringer som input til maskinlæringsmodellen, og ved at bruge de inputparametre, der bruges i simuleringer af molekylær dynamik som et output for maskinlæringsmodellen, " sagde Karteek Bejagam, en post-doc forsker i Deshmukhs laboratorium og en af ​​hovedforfatterne til undersøgelsen.

Denne nye ramme giver forskere mulighed for at udføre optimering af beregningsmodeller, med usædvanligt hurtigere hastighed, indtil de når de ønskede egenskaber for et nyt materiale.

Den bedste del? Uanset hvor nøjagtige forudsigelserne af maskinlæringsmodeller er, da de testes på farten, disse modeller har ingen negativ indflydelse på modeloptimeringen, hvis det er unøjagtigt. "Det kan ikke skade, det kan kun hjælpe, " sagde Samrendra Singh, en gæsteforsker i Deshmukhs laboratorium og en anden forfatter til undersøgelsen.

"Det smukke ved denne nye maskinlæringsramme er, at den er meget generel, hvilket betyder, at maskinlæringsmodellen kan integreres med enhver optimeringsalgoritme og beregningsteknik for at accelerere materialedesignet, "Sagde Singh.

Udgivelsen, ledet af Bejagam og Singh og i samarbejde med kemiingeniør Ph.D. studerende Yaxin An, viser brugen af ​​denne nye ramme ved at udvikle modellerne af to opløsningsmidler som et proof of concept.

Deshmukhs laboratorium planlægger at bygge videre på forskningen ved at bruge denne nye maskinlæringsbaserede ramme til at udvikle modeller af forskellige materialer, der har potentielle biomedicinske og energianvendelser.


Varme artikler