图1。ICSD建筑模型培训。本工作中开发的GNN模型训练了来自NREL材料数据库的ICSD结构的密度泛函理论总能量。500个测试集结构的预测误差直方图(相对于离散傅立叶变换总能量)；82%的结构预测误差在0.05电子伏/原子以内。(C)学习曲线显示，要达到MAE≤0.05 eV/atom，需要> 104>104个训练结构。为了发现更好电池的材料，研究人员必须涉猎广泛的候选领域。新的研究展示了一种机器学习技术，它可以更快地将最理想的特性表现出来。这项研究可能会加速固态电池的设计，固态电池是一种有前途的下一代技术，有可能比锂离子电池储存更多的能量，而不会有易燃性的问题。然而，当电池中的材料以降低性能的方式相互作用时，固态电池就会遇到问题。
来自国家可再生能源实验室(NREL)、科罗拉多矿业学院和伊利诺伊大学的研究人员展示了一种能够准确预测无机化合物性质的机器学习方法。这项工作由NREL领导，是由美国能源部高级研究项目局资助的“区分”计划的一部分，该计划旨在通过引入人工智能来加快能源创新。
感兴趣的化合物是晶体固体，其原子以重复的三维图案排列。测量这些晶体结构稳定性的一种方法是计算它们的总能量——较低的总能量转化为较高的稳定性。一种化合物可以有许多不同的晶体结构。为了找到能量最低的结构——基态结构，研究人员依赖于计算成本高、保真度高的数值模拟。
如果在电极和电解质的界面上形成竞争相，固态电池就会失去容量和电压。寻找相容的材料对需要研究人员确保材料不会分解。但是候选人的范围很广:估计有数百万甚至数十亿似乎可信的固态化合物等待被发现。
“你不能在这个潜在的晶体结构空间中的一大片区域上进行这些非常详细的模拟，”NREL研究员、阿帕塔-E项目首席研究员彼得·圣约翰说。"每一个都是非常密集的计算，在大型计算机上需要几分钟到几个小时."然后，人类必须梳理所得数据，以手动识别新的预期材料。
为了加速这一过程，研究人员使用了一种叫做图形神经网络的机器学习形式。图形神经网络是一种算法，可以训练该算法来检测数据中的突出显示模式。在这里，“图”本质上是每个晶体结构的图。该算法分析每个晶体结构，然后预测其总能量。
然而，任何神经网络的成功都将取决于它用来学习的数据。科学家已经确定了超过20万种无机晶体结构，但是还有很多很多的可能性。有些晶体结构起初看起来很稳定，直到与低能化合物进行比较后才发现并非如此。研究人员提出了假设的高能晶体，可以帮助磨练机器学习模型区分简单稳定结构和实际稳定结构的能力。
“要训练一个能够正确预测一个结构是否稳定的模型，你不能只给它输入我们已经知道的基态结构。你必须给它这些假设的高能结构，这样模型才能区分两者，”圣约翰说。
为了训练他们的图形神经网络，研究人员创造了不是基于自然而是基于量子力学计算的理论例子。通过将基态和高能晶体都包含在训练数据中，研究人员能够获得比只在基态结构上训练的模型精确得多的结果。研究人员的模型平均误差比对比案例低五倍。
这项名为“使用图形神经网络预测已知和假设晶体的能量和稳定性”的研究发表在11月12日的《模式》杂志上。与圣约翰合作的作者有科罗拉多矿业学院的普拉顺·戈莱、舒巴姆·潘迪和弗拉丹·斯特瓦诺维奇，以及伊利诺伊大学的嘉兴·曲。研究人员使用NREL鹰高性能计算系统来运行他们的计算。
这种方法可以彻底改变研究人员发现具有有价值特性的新材料的速度，使他们能够快速表面最有希望的晶体结构。科罗拉多矿业学院的研究教授戈莱说，这项工作具有广泛的相关性，他在NREL有一个共同的任命。
“两种固体相互接触的情况发生在许多不同的应用中——光伏、热电和各种功能器件，”戈莱说。“一旦该模型成功，它就可以部署到固态电池以外的许多应用中。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
