Алгоритм глубокого обучения для ускорения открытия материалов в новых технологических отраслях

Твердотельные неорганические материалы имеют решающее значение для роста и развития электромобилей, мобильных телефонов, аккумуляторов для ноутбуков и технологий солнечной энергии. Однако найти идеальные материалы с желаемыми функциями для этих отраслей чрезвычайно сложно. Цзяньцзюнь Ху, доцент кафедры информатики Университета Южной Каролины, является ведущим исследователем проекта по созданию новых гипотетических материалов.

Из-за обширного пространства химического дизайна и большого количества кандидатов экспериментальные испытания и компьютерное моделирование из первых принципов не могут использоваться в качестве инструментов отбора для решения этой проблемы. Вместо этого исследователи разработали интеллектуальный алгоритм, основанный на глубоком обучении, который использует технику, называемую моделью генеративной состязательной сети (GAN), для значительного повышения эффективности поиска материалов до двух порядков. Это может значительно ускорить открытие новых функциональных материалов.

Работа, опубликованная в NPJ Computational Materials , является результатом сотрудничества исследователей из Инженерно-вычислительного колледжа Университета Южной Каролины и исследовательского университета Гуйчжоу, расположенного в Гуйяне, Китай.

Вдохновленные техникой глубокого обучения, используемой в Google AlphaGo, которая изучила неявные правила настольной игры Go, чтобы победить лучших игроков игры, исследователи использовали свою нейронную сеть GAN, чтобы изучить неявные правила химического состава атомов в различных элементах, чтобы составлять химически обоснованные формулы. Обучая свои модели глубокого обучения с использованием десятков тысяч известных неорганических материалов, хранящихся в таких базах данных, как ICSD и OQMD, они создали генеративную модель машинного обучения, способную генерировать миллионы новых гипотетических формул неорганических материалов.

«Существует почти бесконечное количество новых материалов, которые могут существовать, но они еще не открыты», – сказал Цзяньцзюнь Ху. «Наш алгоритм – это как двигатель генерации. Используя эту модель, мы можем генерировать множество новых гипотетических материалов, которые имеют очень высокую вероятность существования».

Без явного моделирования или принудительного применения химических ограничений, таких как нейтральность заряда и электроотрицательность, интеллектуальный алгоритм, основанный на глубоком обучении, научился соблюдать такие правила при создании миллионов формул гипотетических материалов. Прогностическая сила алгоритма подтверждена как известными материалами, так и недавними открытиями в литературе по обнаружению материалов. «Одним из основных преимуществ нашего алгоритма является высокая достоверность, уникальность и новизна, которые являются тремя основными показателями оценки таких генеративных моделей», – сказал Шаобо Ли, профессор Университета Гуйчжоу, принимавший участие в этом исследовании.

Это не первый случай, когда создается алгоритм для обнаружения материалов. Прошлые алгоритмы также могли производить миллионы потенциальных новых материалов. Однако очень немногие материалы, обнаруженные этими алгоритмами, можно было синтезировать из-за их высокой свободной энергии и нестабильности. Напротив, почти 70 процентов неорганических материалов, идентифицированных командой Ху, скорее всего, будут стабильными, а затем, возможно, будут синтезированы.

«Вы можете получить любое количество комбинаций формул, сложив символы элементов вместе. Но это не значит, что физика может существовать», – сказал Мин Ху, доцент кафедры машиностроения UofSC, также принимавший участие в исследовании. «Итак, наш алгоритм и следующий шаг, алгоритм прогнозирования структуры, значительно увеличат скорость отбора новых функциональных материалов за счет создания синтезируемых соединений».

Эти новые материалы помогут исследователям в таких областях, как электромобили, экологически чистая энергия, солнечная энергия и разработка мобильных телефонов, в постоянном поиске новых материалов с оптимизированными функциями. Поскольку текущий процесс открытия материалов настолько медленный, рост этих отраслей ограничивается доступными для них материалами.

Следующим важным шагом команды является прогнозирование кристаллической структуры сгенерированных формул, что в настоящее время является серьезной проблемой. Однако команда уже начала работать над этой задачей вместе с несколькими ведущими международными командами. После решения эти два шага можно объединить, чтобы открыть множество потенциальных материалов для преобразования, хранения энергии и других приложений.

Об университете Южной Каролины:

Университет Южной Каролины – всемирно признанный исследовательский университет с высоким уровнем результативности, ориентированный на превосходный опыт студентов и стремящийся к инновациям в обучении, исследованиях и участии сообщества. Основанный в 1801 году, университет предлагает более 350 программ на получение степени и является единственным высококлассным исследовательским учреждением Фонда Карнеги в штате. Более 50 000 студентов обучаются в одном из 20 населенных пунктов штата, включая исследовательский кампус в Колумбии. Благодаря 56 национальным академическим программам, включая ведущие программы в области международного бизнеса, лучший в стране колледж с отличием и выдающиеся программы в области инженерии, права, медицины, здравоохранения и искусства, университет помогает создавать более здоровые и образованные сообщества в Южной Каролине. и по всему миру.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *