研究人员利用机器学习和人工智能 大大加快电池研发过程

设计电池组件的最佳分子组成对广汽汽车来说是一项复杂的任务。这就像是在数十亿种潜在成分的基础上创造出新的蛋糕配方。设计师需要面对许多挑战，例如确定哪些成分最适合混合在一起。此外，即使使用最先进的超级计算机，科学家也无法准确模拟每个分子的化学财产，以证明它可以成为下一代电池材料的基础。据外媒报道，美国能源部阿贡国家实验室的研究人员借助机器学习和人工智能大大加快了电池的研发进程。首先，研究人员使用G4MP2计算密集型模型建立了一个高度准确的数据库，该模型包含大约133000个可能形成电池基本电解质的有机小分子。然而，这些只是科学家们想要研究的1660亿个大分子中的一小部分。为了节省计算时间和精力，研究团队使用机器学习算法将小数据组中准确已知的结构与大数据组中粗略的建模结构相关联。阿贡数据科学与学习部负责人伊恩·福斯特表示：“我们认为机器学习代表了一种方法。只需少量的计算成本，我们就可以获得几乎准确的分子图像。”为了为机器学习模型奠定基础，Foster和他的同事采用了一种基于密度泛函理论的计算较少的建模框架，并通过这种量子力学建模框架，计算大系统中的电子结构。密度泛函理论可以更好地解释分子财产，但不如G4MP2准确。为了更好、更广泛地理解有机分子的信息，有必要使用高精度的G4MP2来计算原子在分子中的位置，并将其与仅通过密度泛函理论分析的分子进行比较，以改进算法。研究人员以G4MP2为标准训练了密度泛函理论模型，并在其中添加了校正因子，以降低计算成本，提高精度。阿贡计算科学家Logan Ward说， “机器学习算法为我们提供了一种方法来研究大分子中原子与其邻居之间的关系，了解它们是如何结合和相互作用的，并发现这些分子与我们熟悉的其他分子之间的相似之处。基于此，我们可以预测大分子的能量，或计算高精度和低精度计算之间的差异Rajeev a阿贡的化学家萨里说：“我们启动这个项目是为了获得电池电解液中候选成分的最大可能图像。要将分子用于储能应用，我们需要了解其财产，例如稳定性。通过机器学习，我们可以更准确地预测大分子的财产

标签：

汽车资讯热门资讯