Credit: CC0公共领域科学家寻求专为电网设计的稳定高能电池。将风能和太阳能等可再生能源引入电网将需要特别设计的大型电池，这些电池可以在阳光明媚时充电，并在夜间提供能量。有一种电池特别有希望达到这个目的:液流电池。液流电池包含两罐交换电荷的电活性化学物质，容量很大，可以储存大量能量。
对于研究液流电池的研究人员来说，他们主要关心的是找到既能储存大量能量又能长时间保持稳定的目标分子。
为了找到合适的流动电池分子，美国能源部阿贡国家实验室的研究人员借助人工智能的力量，在超过一百万个分子的广阔化学空间中进行搜索。发现正确的分子需要在几种不同的特性之间进行优化。阿贡化学家拉杰夫·阿萨里说:“在这些电池中，我们知道我们需要的大多数分子必须满足多种特性。“通过同时优化几种性能，我们可以更好地为电池找到最佳的化学成分。”
“大自然从来都不是完美的；没有一个分子在各方面都是理想的。阿贡化学家拉杰夫·阿萨里说:“我们的模型可以让我们同时处理不同的参数，以找到最合适的参数。
在一项新的研究中，阿萨里和他在阿尔贡联合储能研究中心的同事在去年完成的工作的基础上，模拟了液流电池中的阳极电解液还原分子。对于每个redoxmer，研究人员确定了他们想要优化的三个属性。前两个，还原势和溶剂化自由能，与分子能储存多少能量有关。第三种，荧光，作为一种自我报告标记，表明电池的整体健康状况。
因为计算所有潜在候选人的兴趣属性非常耗时，研究人员转向了一种称为主动学习的机器学习和人工智能技术，在这种技术中，模型实际上可以训练自己来识别越来越可信的目标。“我们本质上是在干草堆里找针，”阿尔贡博士后研究员Hieu Doan说。“当我们的模型发现看起来像针一样的东西时，它会自学如何找到更多。”
为了最有效地利用主动学习，研究人员从一个相当小的“草堆”开始——一个由1400名redoxmer候选人组成的数据集，他们已经从量子力学模拟中知道了这些候选人的属性。通过使用这个数据集作为实践，他们能够看到算法正确地识别了具有最佳特性的分子。
阿萨里说:“在我们之前的研究中，我们展示了如何一次优化一个属性，但试图同时优化几个属性是一种不同的挑战，对于现实世界的条件来说可能更有价值。“大自然从来都不是完美的；没有一个分子在各方面都是理想的。我们的模型使我们能够兼顾不同的参数，以找到最佳匹配。”
一旦他们探索了1400个候选集，研究人员将他们的搜索范围扩大到了一百万个不同候选的化学空间。通过模型的迭代性能提升，越来越好的分子开始被识别出来。“我们感到鼓舞的是，通过只观察100个分子，我们的模型已经有规律地找到了比我们原始数据集中的分子更有吸引力的分子，”多恩说。
根据阿萨里的说法，优化算法的用途可以超越液流电池。他说，可以想象，这种算法可以应用于其他类型的电池，甚至其他领域。“我们使用的数学方法也被股票交易者和数据科学家广泛使用，这表明优化问题有多常见，”他说。
基于这项研究的论文“利用量子化学指导的多目标贝叶斯优化发现储能分子材料”发表在10月14日的《材料化学》杂志上。
除了阿萨里和多恩，这项研究的其他作者包括阿尔贡的莉莉·罗伯逊和张璐。Garvit Agarwal，以前来自阿尔贡，但目前是薛定谔的科学家，也对这项工作做出了贡献。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
