Ingeniører bruger grafnetværk til nøjagtigt at forudsige egenskaber af molekyler og krystaller

Nanoingeniører ved University of California San Diego har udviklet nye deep learning-modeller, der præcist kan forudsige egenskaberne af molekyler og krystaller. Ved at aktivere næsten øjeblikkelige egenskabsforudsigelser, disse dybe læringsmodeller giver forskere midlerne til hurtigt at scanne det næsten uendelige univers af forbindelser for at opdage potentielt transformerende materialer til forskellige teknologiske anvendelser, såsom Li-ion-batterier med høj energidensitet, varm-hvide lysdioder, og bedre solcelleanlæg.

For at konstruere deres modeller, et hold ledet af nanoingeniørprofessor Shyue Ping Ong ved UC San Diego Jacobs School of Engineering brugte en ny deep learning-ramme kaldet grafnetværk, udviklet af Google DeepMind, hjernen bag AlphaGo og AlphaZero. Grafnetværk har potentialet til at udvide mulighederne for eksisterende AI-teknologi til at udføre komplicerede lærings- og ræsonnementopgaver med begrænset erfaring og viden – noget som mennesker er gode til.

For materialeforskere som Ong, grafnetværk tilbyder en naturlig måde at repræsentere bindingsforhold mellem atomer i et molekyle eller krystal og gør det muligt for computere at lære, hvordan disse relationer relaterer til deres kemiske og fysiske egenskaber.

De nye grafnetværksbaserede modeller, som Ongs team døbte MatErials Graph Network (MEGNet) modeller, udkonkurrerede det nyeste ved at forudsige 11 ud af 13 ejendomme for de 133, 000 molekyler i QM9-datasættet. Holdet trænede også MEGNet-modellerne på omkring 60, 000 krystaller i materialeprojektet. Modellerne overgik tidligere maskinlæringsmodeller med at forudsige dannelsesenergierne, båndgab og elastikmoduler af krystaller.

Holdet demonstrerede også to tilgange til at overvinde databegrænsninger inden for materialevidenskab og kemi. Først, holdet viste, at grafnetværk kan bruges til at forene flere gratis energimodeller, resulterer i en flerdobling af træningsdata. Sekund, de viste, at deres MEGNet-modeller effektivt kan lære sammenhænge mellem grundstoffer i det periodiske system. Denne maskinlærte information fra en egenskabsmodel trænet på et stort datasæt kan derefter overføres for at forbedre træningen og nøjagtigheden af ​​egenskabsmodeller med mindre mængder data – dette koncept er kendt i maskinlæring som transfer learning.