阿尔贡国家实验室的贾里德·萨格夫 量子力学模拟和人工智能之间的无缝交互可以提供一个高效的材料发现平台
学分:拉杰夫·苏伦德兰·阿萨里/阿尔贡国家实验室 通过主动学习,科学家们可以更快地找到氧化还原液流电池的合适人选
当设计一种新的电池化学物质的时候,科学家只能通过实验来尝试几种可能性,因为合成和研究每一种新分子都需要时间和资源
通过使用超级计算机进行可靠的分子模拟,研究人员可以加快所需材料的筛选过程,扩大搜索范围,同时获得不同化学物质固有可能性的详细信息
然而,即使是在这些超级计算机上运行的高通量模拟也只能看到某些类型电池可能存在的化学物质的一小部分
在美国的一项新研究中
S
美国能源部阿贡国家实验室的研究人员正在采取下一步行动,通过使用人工智能加速寻找最好的电池组件
由阿尔贡化学家拉杰夫·苏伦德兰·阿萨里领导的研究小组研究了氧化还原液流电池的内部工作原理,其中化学能储存在与电极相互作用的溶解分子中
液流电池有望在电网中得到应用
他们用注入储存和释放能量的分子的液体溶液代替固体阴极和阳极
传统的液流电池基于每个分子具有一个电荷存储元件的分子,通用性有限
由阿尔贡领导的美国能源部能源创新中心联合储能研究中心(JCESR)的研究人员引入了用称为“氧化还原活性聚合物”的材料储存和释放能量的概念,这种材料基于更大的分子,每个分子有几十个电荷储存元件
与传统系统相比,redox可以更灵活地独立定制电池特性和性能的许多方面
Redoxmer液流电池为液流电池设计打开了一扇新的大门,因为它们可以以低成本提供高功能,对环境的危害很小
JCESR的redoxmer液流电池有潜力改变我们对液流电池在电网中的思考和使用方式
阿萨里和他的同事们注意到,在研究中的重做器中,随着电池的充电和放电,它们往往会形成一层不活跃的薄膜
为了防止这种现象,阿尔贡团队设计了一种可以在特定电压下电裂解的还原器,使其重新进入电解质溶液
该项研究的另一位作者、阿尔贡博士后研究员休·多恩说:“你可以把它想象成清洗一个用来做饭的锅。”
“为了更容易地去除粘性食物残渣,你可以使用高热,这就是我们用电所做的
" 研究人员希望分裂电压刚好在电池的正常工作窗口之外,这样它就不会干扰性能,也不会需要大量额外的能量
为了找到一种能在适当电压下分裂的重做器,阿萨里和他的团队求助于位于实验室计算资源中心的阿尔贡的贝波普超级计算机
首先,研究人员使用密度泛函理论计算了1400个不同的重做日志,这些计算非常精确,但计算成本很高
然而,这1400个重做日志只代表了研究人员感兴趣的整个化学空间的一小部分
阿萨里说:“实验上,合成和测试十几个这样的重做可能需要几个月的时间,所以能够在电脑上详细研究一千多个重做是至关重要的。”
每个重做器都由一个分子支架组成,支架上放置了各种不同的化学官能团——它们是额外的原子或分子
“这个支架是根据我们的实验合作者的建议设计的,”多恩说
虽然支架在重做者之间是一致的,但是改变官能团给出了不同的性质
为了在不进行大量离散傅立叶变换计算的情况下,从包含100,000多个重做日志的大型数据集中找到理想的分子,研究人员使用了一种称为主动学习的机器学习技术
这个更大的数据集包括结构类似于原始的1400个分子的离散傅立叶变换数据集的重做——因为两组分子使用相同的支架
然而,由于功能组的填充方式不同,性质也有所不同
阿萨里说:“你能在机器学习中做多少学习受到你的训练数据集的限制。”
“你只能知道你看到了什么,如果你试图对一些不同的东西做出预测,它可能不会有效
" 阿萨里和他的同事们没有对所有的数据进行训练,而是只对少数几种不同的重做可能性进行训练
根据Doan的说法,在用10个数据点训练模型之后,模型自己从剩余的数据池中挑选第11个数据点
“该模型保证,通过将这个新的数据点添加到训练集中,它将变得更好,然后我们可以再次训练它,”多恩说
“无论什么能最大限度地提高模型的准确性,那都将是下一个需要挑选的数据点
" 阿萨里说,从最初的1400个数据集中找出30个具有所需性质的分子,只需要70次挑选
使用随机选择,只有9%的选择会成功,代表五倍的改进
阿萨里说:“在如此大的化学空间上取得如此大的进步是显著的。”
事实上,当同样的方法应用于100,000+数据集时,它在100次挑选中成功地找到了42个所需的分子
5月28日出版的《材料化学》杂志上发表了一篇基于这项研究的论文,“基于量子化学的主动学习,以加速可持续储能材料的设计和发现”
来源:由phyica.com整理转载自PH,转载请保留出处和链接!