Opbygning af et bedre batteri med maskinlæring

At designe de bedste molekylære byggesten til batterikomponenter er som at prøve at skabe en opskrift på en ny slags kage, når du har milliarder af potentielle ingredienser. Udfordringen involverer at bestemme, hvilke ingredienser der fungerer bedst sammen – eller, mere enkelt, fremstille en spiselig (eller, i tilfælde af batterier, et sikkert) produkt. Men selv med state-of-the-art supercomputere, Forskere kan ikke præcist modellere de kemiske egenskaber af hvert molekyle, der kan vise sig at være grundlaget for et næste generations batterimateriale.

I stedet, forskere ved det amerikanske energiministeriums (DOE) Argonne National Laboratory har vendt sig til kraften i maskinlæring og kunstig intelligens for dramatisk at accelerere processen med batteriopdagelse.

Som beskrevet i to nye artikler, Argonne-forskere oprettede først en meget nøjagtig database med omkring 133, 000 små organiske molekyler, der kunne danne grundlag for batterielektrolytter. For at gøre det, de brugte en beregningsintensiv model kaldet G4MP2. Denne samling af molekyler, imidlertid, repræsenterede kun en lille delmængde af 166 milliarder større molekyler, som videnskabsmænd ønskede at undersøge for elektrolytkandidater.

Fordi brug af G4MP2 til at løse hvert af de 166 milliarder molekyler ville have krævet en umulig mængde computetid og -magt, forskergruppen brugte en algoritme til maskinlæring til at relatere de præcist kendte strukturer fra det mindre datasæt til meget mere groft modellerede strukturer fra det større datasæt.

"Når det kommer til at bestemme, hvordan disse molekyler fungerer, der er store afvejninger mellem nøjagtighed og den tid det tager at beregne et resultat, "sagde Ian Foster, Argonne Data Science and Learning divisionsdirektør og forfatter til en af ​​artiklerne. "Vi mener, at maskinlæring repræsenterer en måde at få et molekylært billede, der er næsten lige så præcist til en brøkdel af beregningsomkostningerne."

For at danne grundlag for maskinlæringsmodellen, Foster og hans kolleger brugte en mindre beregningsmæssigt belastende modelleringsramme baseret på tæthedsfunktionel teori, en kvantemekanisk modelleringsramme, der bruges til at beregne elektronisk struktur i store systemer. Densitetsfunktionsteori giver en god tilnærmelse af molekylære egenskaber, men er mindre præcis end G4MP2.

Forfining af algoritmen for bedre at fastslå information om den bredere klasse af organiske molekyler involverede sammenligning af molekylernes atompositioner beregnet med den meget nøjagtige G4MP2 versus dem, der blev analyseret ved kun at bruge tæthedsfunktionel teori. Ved at bruge G4MP2 som en guldstandard, forskerne kunne træne densitetsfunktionelle teorimodellen til at inkorporere en korrektionsfaktor, forbedre dens nøjagtighed og samtidig holde beregningsomkostningerne nede.

"Maskinlæringsalgoritmen giver os en måde at se på forholdet mellem atomerne i et stort molekyle og deres naboer, at se, hvordan de binder og interagerer, og se efter ligheder mellem de molekyler og andre, vi kender ret godt, " sagde Argonne beregningsforsker Logan Ward, forfatter til en af ​​undersøgelserne. "Dette vil hjælpe os med at lave forudsigelser om energierne af disse større molekyler eller forskellene mellem beregningerne med lav og høj nøjagtighed."

"Hele dette projekt er designet til at give os det størst mulige billede af batterielektrolytkandidater, " tilføjede Argonne kemiker Rajeev Assary, forfatter til begge undersøgelser. "Hvis vi skal bruge et molekyle til energilagringsapplikationer, vi har brug for at kende egenskaber som dens stabilitet, og vi kan bruge denne maskinlæring til at forudsige egenskaber af større molekyler mere præcist."

Et papir, der beskriver dannelsen af ​​det G4MP2-baserede datasæt, "Nøjagtige kvantekemiske energier for 133, 000 organiske molekyler, " optrådte i onlineudgaven den 27. juni af Kemisk Videnskab .

Et andet papir, der beskriver maskinlæringsalgoritmen, "Maskinlæringsforudsigelse af nøjagtige forstøvningsenergier af organiske molekyler fra lavtro kvantekemiske beregninger, "optrådte i udgaven af ​​27. august MRS kommunikation .