Maskinlæringshjælpemidler i materialedesign

Et langvarigt mål af kemikere på tværs af mange industrier, herunder energi, lægemidler, energi, fødevaretilsætningsstoffer og organiske halvledere, er at forestille sig den kemiske struktur af et nyt molekyle og være i stand til at forudsige, hvordan det vil fungere til en ønsket anvendelse. I praksis, denne vision er svær, kræver ofte omfattende laboratoriearbejde for at syntetisere, isolere, oprense og karakterisere nydesignede molekyler for at opnå den ønskede information.

For nylig, et team af Lawrence Livermore National Laboratory (LLNL) materialer og dataloger har bragt denne vision til virkelighed for energiske molekyler ved at skabe maskinlæringsmodeller (ML), der kan forudsige molekylers krystallinske egenskaber alene ud fra deres kemiske strukturer, såsom molekylær densitet. Forudsigelse af krystalstrukturbeskrivelser (i stedet for hele krystalstrukturen) tilbyder en effektiv metode til at udlede et materiales egenskaber, dermed fremskynde materialer design og opdagelse. Forskningen fremgår af Journal of Chemical Information and Modeling .

"En af holdets mest fremtrædende ML-modeller er i stand til at forudsige den krystallinske tæthed af energiske og energilignende molekyler med en høj grad af nøjagtighed sammenlignet med tidligere ML-baserede metoder, " sagde Phan Nguyen, LLNL anvendt matematiker og co-første forfatter af papiret.

"Selv sammenlignet med tæthedsfunktionel teori (DFT), en beregningsmæssigt dyr og fysikinformeret metode til forudsigelse af krystalstruktur og krystallinske egenskaber, ML-modellen kan prale af konkurrencepræcision, mens den kræver en brøkdel af beregningstiden, " sagde Donald Loveland, LLNL datamatiker og medforfatter.

Medlemmer af LLNL's High Explosive Application Facility (HEAF) er allerede begyndt at drage fordel af modellens webgrænseflade, med et mål om at opdage nye ufølsomme energetiske materialer. Ved blot at indtaste molekylernes 2D kemiske struktur, HEAF kemikere har været i stand til hurtigt at bestemme den forudsagte krystallinske tæthed af disse molekyler, som er tæt korreleret med potentielle energetikeres præstationsmålinger.

"Vi er glade for at se resultaterne af vores arbejde blive anvendt til vigtige opgaver i laboratoriet. Dette arbejde vil helt sikkert hjælpe med at accelerere opdagelse og optimering af nye materialer fremadrettet, " sagde Yong Han, LLNL materialeforsker og hovedefterforsker af projektet.

Opfølgningsindsatsen inden for Materials Science Division har brugt ML-modellen i forbindelse med en generativ model til at søge store kemiske rum hurtigt og effektivt efter kandidater med høj tæthed.

"Begge bestræbelser flytter grænserne for materialeopdagelse og lettes gennem det nye paradigme med at fusionere materialevidenskab og maskinlæring, sagde Anna Hiszpanski, LLNL materiale videnskabsmand og co-korresponderende forfatter af papiret.

Holdet fortsætter med at søge efter nye egenskaber af interesse for laboratoriet med visionen om at levere en række prædiktive modeller, som materialeforskere kan bruge i deres forskning.