Credit:CC0 Public Domain工程学院化学工程副教授洪亮新和他的合作者设计了一个新的人工智能框架，可以加速重要技术的材料发现，例如燃料电池和碳捕获装置。他们在《自然通讯》杂志上发表的题为“将理论注入可解释反应性预测的深度学习”的论文详细介绍了一种称为TinT的新方法——理论注入神经网络的简称——该方法结合了机器学习算法和识别新催化剂的理论。催化剂是引发或加速化学反应的材料。
TinNet基于深度学习，也称为机器学习的一个子领域，它使用算法来模拟人脑的工作方式。1996年，IBM深蓝电脑战胜国际象棋世界冠军加里·卡斯帕罗夫，这是机器学习的第一次进步。最近，深度学习在自动驾驶汽车等技术的发展中发挥了重要作用。
辛和他的同事们希望将机器学习应用于催化领域，以开发新的更好的能源技术和产品来改善日常生活。
“你今天看到的90%左右的产品实际上来自于催化，”辛说。诀窍在于为每种应用找到高效、稳健的催化剂，而找到新的催化剂可能很困难。
“了解催化剂如何与不同的中间体相互作用，以及如何控制它们的键强度使其处于金发区，绝对是设计高效催化过程的关键，”辛说。“我们的研究为此提供了一个工具。”
辛说，机器学习算法可能会有所帮助，因为它们可以识别大数据集中的复杂模式，而这是人类不太擅长的。但是深度学习有局限性，尤其是在预测高度复杂的化学相互作用时——这是寻找所需功能材料的必要部分。在这些应用程序中，有时深度学习会失败，原因可能不清楚。
“大多数为材料特性预测或分类开发的机器学习模型通常被认为是‘黑箱’，并提供李米·泰德的物理见解，”化学工程研究生和论文合著者赫曼特·皮莱说。
“TinNet方法扩展了其预测和解释能力，这两者在催化剂设计中都至关重要。”同样是化学工程研究生、该研究的合著者王思文说。
TinNet是一种混合方法，它将先进的催化理论与人工智能相结合，帮助研究人员深入研究材料设计的“黑匣子”，了解正在发生的事情和原因，并有助于研究人员在多个领域开辟新天地。
辛说:“希望我们能让社区普遍使用这种方法，其他人也能使用这种技术，真正进一步发展对社会至关重要的可再生能源技术和脱碳技术。“我认为这确实是能够取得一些突破的关键技术。”
专门研究机器学习的化学工程教授卢克·阿切尼(Luke Achenie)与辛以及帮助撰写该论文的研究生施合作了该项目。现在这个团队正在努力将TinNet应用到他们的催化工作中。化学工程本科生安迪·阿萨瓦尔也加入了这项努力。
“我真的很喜欢在课堂之外看到化学工程的不同方面，”阿萨瓦尔说。“它有很多应用，你知道，它可能是真正革命性的。所以成为其中的一员真是太棒了。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
