通过机器学习构建更好的电池

 
当您拥有数十亿潜在成分时，为电池组件设计最佳的分子构建基块就像尝试为新型蛋糕创建配方。面临的挑战包括确定哪些成分协同工作效果最佳，或者更简单地说，生产出可食用的(或者对于电池而言，是一种安全的)产品。但是，即使使用最先进的超级计算机，科学家也无法精确地模拟每个分子的化学特性，而这些化学特性可能被证明是下一代电池材料的基础。
取而代之的是，美国能源部(DOE)的阿贡国家实验室(Argonne National Laboratory)的研究人员转向了机器学习和人工智能的力量，以极大地加速电池发现的过程。
正如两篇新论文所述，Argonne研究人员首先创建了一个高度精确的数据库，其中包含约133,000个小有机分子，这些有机分子可构成电池电解质的基础。为此，他们使用了称为G4MP2的计算密集型模型。然而，这些分子集合仅代表科学家想要探测电解质候选物的1,660亿个较大分子中的一小部分。
由于使用G4MP2解析1,660亿个分子中的每个分子将需要大量的计算时间和功能，因此研究小组使用了机器学习算法将较小数据集中的精确已知结构与较粗略的数据结构相关联。更大的数据集。
Argonne数据科学与学习部门的负责人，其中一篇论文的作者Ian Foster说：“在确定这些分子的工作方式时，要在准确性和计算结果所需的时间之间进行很大的权衡。” “我们相信机器学习代表了一种获得分子图像的方法，而分子图像的精确度却只有计算量的一小部分。”
为了提供机器学习模型的基础，Foster和他的同事使用了基于密度泛函理论的计算量较少的建模框架，该框架是用于计算大型系统中电子结构的量子力学建模框架。密度泛函理论提供了良好的分子特性近似值，但准确性不及G4MP2。
改进算法以更好地确定有关更广泛种类的有机分子的信息，包括比较使用高精度G4MP2计算的分子的原子位置与仅使用密度泛函理论分析的分子的原子位置。通过使用G4MP2作为金标准，研究人员可以训练密度泛函理论模型以合并校正因子，从而在降低计算成本的同时提高其准确性。
“机器学习算法为我们提供了一种方法，可以查看大分子中的原子与相邻分子之间的关系，了解它们如何键合和相互作用，以及寻找这些分子与我们熟知的其他分子之间的相似性，”阿尔贡说计算科学家洛根·沃德(Logan Ward)，其中一项研究的作者。 “这将帮助我们对这些较大分子的能量或低精度和高精度计算之间的差异进行预测。”
两项研究的作者阿贡(Argonne)化学家拉吉夫·阿萨里(Rajeev Assary)补充说：“整个项目旨在为我们提供有关电池电解质候选物的最大信息。 “如果我们要将分子用于储能应用，我们需要了解其稳定性之类的特性，并且我们可以使用这种机器学习来更准确地预测较大分子的特性。”
6月27日在线出版的《化学科学》(Chemical Science)上发表了一篇文章，描述了基于G4MP2的数据集的形成过程：“针对133,000个有机分子的准确量子化学能”。
第二篇描​​述机器学习算法的论文《机器学习从低保真量子化学计算中预测有机分子准确的雾化能量的预测》发表在8月27日的MRS Communications中。