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

(来源:Argonne官网)为电池组件设计最佳的分子组成是一项复杂的任务。这就像是在数十亿种潜在成分的基础上创造了一种新的蛋糕配方。设计师需要面对很多挑战，比如确定哪些食材最适合搭配在一起。而且，即使是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特性来证明它可以成为下一代电池材料的基础。据国外媒体报道，美国能源部阿贡国家实验室的研究人员在机器学习和人工智能的帮助下，大大加快了电池的开发进程。首先，研究人员通过G4MP2计算密集型模型建立了一个高度精确的数据库，其中包含约13.3万个有机小分子，这些小分子可能构成电池的基础电解液。然而，这些只是科学家想要研究的1660亿个大分子中的一小部分。为了节省计算时间和功率，研究团队使用机器学习算法将小数据集中的精确已知结构与大数据集中的粗略建模结构连接起来。Argonne数据科学和学习部门负责人伊恩·福斯特(Ian Foster)表示:“我们认为机器学习代表了一种方法。只需要很小一部分计算成本就可以获得近乎精确的分子图像。”为了给机器学习模型奠定基础，福斯特和他的同事采用了一种基于密度泛函理论的计算量较小的建模框架，并通过这种量子力学建模框架计算大规模系统中的电子结构。密度泛函理论可以很好地解释分子性质，但不如G4MP2准确。为了更好、更广泛地了解有机分子的信息，需要使用高精度的G4MP2计算原子在分子中的位置，并与仅用密度泛函理论分析的分子进行比较，以改进算法。研究人员在G4MP2的基础上，对密度泛函理论模型进行了训练，并在其中加入了修正因子，以降低计算成本，提高精度。阿贡计算科学家洛根·沃德(Logan Ward)表示:“机器学习算法为我们提供了一种研究大分子中原子与其邻居之间关系的方法，了解它们如何结合和相互作用，并找到这些分子与我们熟悉的其他分子之间的相似之处。在此基础上，我们可以预测大分子的能量或高低精度计算的差别。”阿贡化学家拉杰夫·阿萨里(Rajeev Assary)说:“我们发起这个项目，是希望获得电池电解液候选成分的尽可能大的图像。为了将分子用于能量储存应用，我们需要知道它的性质，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性质。”

(来源:Argonne官网)为电池组件设计最佳的分子组成是一项复杂的任务。这就像是在数十亿种潜在成分的基础上创造了一种新的蛋糕配方。设计师需要面对很多挑战，比如确定哪些食材最适合搭配在一起。而且，即使是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特性来证明它可以成为下一代电池材料的基础。据国外媒体报道，美国能源部阿贡国家实验室的研究人员在机器学习和人工智能的帮助下，大大加快了电池的开发进程。首先，研究人员通过G4MP2计算密集型模型建立了一个高度精确的数据库，其中包含约13.3万个有机小分子，这些小分子可能构成电池的基础电解液。然而，这些只是科学家想要研究的1660亿个大分子中的一小部分。为了节省计算时间和功率，研究团队使用机器学习算法将小数据集中的精确已知结构与大数据集中的粗略建模结构连接起来。Argonne数据科学和学习部门负责人伊恩·福斯特(Ian Foster)表示:“我们认为机器学习代表了一种方法。只需要很小一部分计算成本就可以获得近乎精确的分子图像。”为了给机器学习打好基础……模型，福斯特和他的同事采用了一种基于密度泛函理论的计算量较小的建模框架，并通过这种量子力学建模框架计算了大规模系统中的电子结构。密度泛函理论可以很好地解释分子性质，但不如G4MP2准确。为了更好、更广泛地了解有机分子的信息，需要使用高精度的G4MP2计算原子在分子中的位置，并与仅用密度泛函理论分析的分子进行比较，以改进算法。研究人员在G4MP2的基础上，对密度泛函理论模型进行了训练，并在其中加入了修正因子，以降低计算成本，提高精度。阿贡计算科学家洛根·沃德(Logan Ward)表示:“机器学习算法为我们提供了一种研究大分子中原子与其邻居之间关系的方法，了解它们如何结合和相互作用，并找到这些分子与我们熟悉的其他分子之间的相似之处。在此基础上，我们可以预测大分子的能量或高低精度计算的差别。”阿贡化学家拉杰夫·阿萨里(Rajeev Assary)说:“我们发起这个项目，是希望获得电池电解液候选成分的尽可能大的图像。为了将分子用于能量储存应用，我们需要知道它的性质，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性质。”

标签：

汽车资讯热门资讯