Omvendt design af porøse materialer ved hjælp af kunstige neurale netværk

Evnen til at generere optimerede nanomaterialer med kunstige neurale netværk kan markant revolutionere fremtiden for materialedesign inden for materialevidenskab. Mens videnskabsmænd gradvist havde skabt små og enkle molekyler, komplekse krystallinske porøse materialer mangler at blive genereret ved hjælp af neurale netværk. I en nylig rapport vedr Videnskabens fremskridt , Baekjun Kim og et team af forskere i afdelingen for kemi- og biomolekylær teknik ved Korea Advanced Institute of Science and Technology, Republikken Korea, implementeret et generativt modstandsnetværk.

De producerede 121 krystallinske porøse materialer ved hjælp af et træningssæt på 31, 713 kendte zeolitter. Det nye neurale netværk tog input i form af energi- og materialedimensioner for pålideligt at producere zeolitter med et brugerønsket område på 4 kJ/mol methan-adsorptionsvarme. De udpegede energidimensionen i arbejdet til at være den potentielle metanenergi. Finjusteringen af ​​brugerens ønskede kapacitet kan potentielt fremskynde materialeudvikling, og samtidig demonstrere et vellykket tilfælde af omvendt design af porøse materialer.

Materialeforskere har udført betydelig forskning for at opdage nye materialer ved hjælp af kunstig intelligens i de sidste par år. De gjorde betydelige fremskridt ved at bruge en række kunstige neurale netværk (ANN'er) til at generere uopdagede molekyler og materialer. Imidlertid, ANN'er mangler at blive brugt med succes til at skabe nye krystallinske materialer, da maskinlæring hidtil kun havde forudsagt materialeegenskaber, kompositioner, båndgab energi, optagelse af dannelsesenergi og gasadsorption. Krystallinske porøse materialer indeholder tætte arrangementer af mikroskopiske porer for højere overfladeareal og porevolumen. De er en vigtig klasse af materialer til en række forskellige energi- og miljørelaterede anvendelser. Sammenlignet med andre krystallinske materialer, porøse materialer såsom zeolitter, metal organiske rammer (MOF'er) og kovalente organiske rammer (COF'er) er forholdsvis mere udfordrende at generere ved hjælp af ANN'er på grund af større kompleksitet.

I dette studie, Kim et al. udtænkt en ANN til at generere krystallinske porøse materialer ved specifikt at målrette et casestudie-problem for at producere rene silica-zeolitstrukturer, valgt på grund af deres strukturelle enkelhed. Teamet brugte et væld af materialer til rådighed på en åben database over hypotetiske zeolitter til at træne det neurale netværk. Zeolitter er klassisk defineret som aluminosilicater med åbne tredimensionelle (3-D) rammer, der indeholder hjørnedeling TO ₄ tetraeder, hvor T er aluminium (Al) eller silicium (Si).

Mens et par tidligere forskningsindsatser brugte en evolutionsalgoritme til at målrette materialeegenskaber, sådanne konventionelle metoder fører til brute-force-generering af porøse materialer, nødvendiggør beregningsmæssigt dyr screening for at identificere optimale materialer til en given applikation. Et flertal af sådanne genererede materialer har dårlige egenskaber, påvirker ineffektiv allokering af beregningsressourcer. Kim et al. designet det nye neurale netværk til at repræsentere input i både materiale- og energidimensioner. Den nye algoritme har en unik fordel til at opnå omvendt materialedesign ved hjælp af ANN'er til at forspænde energidimensionen, der korrelerer med materialernes egenskaber.

Generativt modstridende netværk for zeolitter.

Teamet brugte generative adversarial netværk (GAN) til at producere krystallinske porøse materialer på grund af deres forbedrede evne til at producere realistiske genstande såsom menneskelige ansigter. GAN indeholdt en diskriminator og en generator, hvor forskelsbehandlingen kunne skelne mellem de rigtige og falske data, da generatoren handler for at bedrage diskriminatoren ved gradvist at danne realistiske (men dog falske) objekter. Denne opsætning kunne fremme modstridende læring ved at generere stadig mere realistiske objekter som et biprodukt af at forbedre læringsprocessen for både diskriminatoren og generatoren.

Da målet med dette arbejde var at generere materialer og energiformer, Kim et al. dannet en ny type GAN ved navn zeolit ​​GAN (ZeoGAN). Holdet havde til formål at producere realistiske zeolitmaterialer ved hjælp af generatoren i ZeoGAN med deres tilsvarende energiformer for at tilføje flere funktioner til opsætningen. De tilføjede periodisk polstring i kritikeren (eller diskriminatoren) for at forhindre generering af ikke-realistiske former, der kunne føre til urealistiske bindinger, og lettede konvergens for både materialer og energiformer ved at tilføje funktionsmatchning til ZeoGAN.

I den nuværende forsøgsopstilling, de opdelte input til det neurale netværk i materialer og energinet, med materialegitteret yderligere underopdelt i silicium- og oxygenatomgitteret baseret på klassiske molekylære simuleringer. Forskerne brugte tre gitter hver og holdt antallet af gitterpunkter lille og konstant for at reducere hukommelsesomkostningerne, da større net kan føre til en meget langsom læringsproces. De repræsenterede positionerne af silicium (Si) og oxygen (O) atomer ved hjælp af Gaussiske funktioner, hvor toppen af ​​Gauss svarede til positionen af ​​Zeolit-atomerne.

Generering af rene silicazeolitter

Forskerne brugte i alt 31, 173 metan tilgængelige zeolitter til at træne det neurale netværk. Læringsprocessen for ZeoGAN viste udviklingen af ​​materiale-/energiformer fra deres første gaussiske støjfordelinger. De trænede diskriminatoren til at estimere jordbevægelsens afstand (EMD) mellem datadistribution og generatordistribution, og uddannede generatoren til at minimere EMD for at generere realistiske prøver. I første omgang, materialet/energiformerne lignede typisk støjfordeling, men efterhånden som indlæringen skred frem, de optog separate områder i enhedscellerummet for at omdannes til former, der ligner typiske zeolitter.

I alt, de genererede 1 million zeolitformer (både materiale og energi) fra ZeoGAN. Fra disse former, de tildelte positionerne for oxygen- og siliciumatomerne ved hjælp af en simpel regel og beregnede Si:O -forholdet for hver output. Zeolitformerne udviklede sig, da de med succes passerede gennem en oprydningsoperation for at give et optimalt Si:O-forhold og 100 procent bindingsforbindelse. Fra dette sæt, de holdt strukturer med et lille antal symmetrisk unikke T-atomer (hvor T er Al eller Si). De endelige afslappede strukturer lignede deres oprindelige zeolitformer, hvilket indikerer, at efterbehandling ikke væsentligt ændrede essensen af ​​nye zeolitformer. Kim et al. opnåede i alt otte resulterende strukturer efter oprydning, som ikke var i det originale træningssæt for at indikere den vellykkede skabelse af nye zeolitter ved hjælp af ZeoGAN.

Brug af ZeoGAN til omvendt design af zeolitter

Zeolitterne, der hidtil er genereret fra ZeoGAN, indeholdt ingen brugerønskede egenskaber. For at forbedre designet, forskerholdet udvalgte til at ændre methan-adsorptionsvarmen og ZeoGAN-tabsfunktionen for at målrette generere zeolitter med adsorptionsvarmeværdier mellem 18 og 22 kJ/mol. Teamet observerede en skarp ændring i metanvarmen i adsorptionsdistributionen inden for dataene for de 1 million nygenererede, brugerønskede zeolitformer, der angiver korrekt funktion af det brugerønskede kriterium. Værdierne korrelerede ikke med den nye tabsfunktion, imidlertid. Teamet implementerede derefter en lignende oprydningsproces (som før), for de 1 million brugerønskede zeolitformer, for at give seks nye zeolitter og en zeolit, der også tidligere er fremstillet inden for det ikke-brugerønskede sæt. Af disse seks zeolitter, fire opretholdt methan adsorptionsvarme mellem 18 og 22 kJ/mol som forventet, hvilket indikerer vellykket omvendt design af zeolitterne.

Disse forsøg var en første undersøgelse, da forudgående eksperimentelle eller beregningsmæssige modeller hidtil ikke havde givet egenskaber inden for dette brugerønskede specifikke område. Derudover når Kim et al. fjernede begrænsninger for antallet af unikke T -atomer, der var mulige for zeolitkandidater genereret fra ANN'er, de observerede en signifikant stigning i antallet af nydannede zeolitter. På denne måde de opnåede 121 mulige zeolitstrukturer i alt ved at bruge den egenudviklede ANN, for med succes at udvide antallet af nye zeoliter inden for det rene silicazeolitmateriale.

Dette arbejde vil potentielt bane vejen for at inkorporere ANN'er for at målrette brugerønskede egenskaber før materialedesign og syntese. Selvom ANN er begrænset til kun silicium og oxygenatomer her for nemheds skyld, antallet af inputkanaler kan øges til at dække mere komplekse krystallinske materialer, såsom MOF'er og COF'er. Omfanget af dette arbejde kan udvides til at påvirke det fremtidige design af forskellige klasser af materialer.

© 2020 Science X Network