物理科技生物学-PHYICA

神经网络研究利用定制设计将属性与材料配对

技术工程 2022-05-04 21:53:16

ORNL neural network study harnesses made-to-order design to pair properties to materials橡树岭国家实验室的研究人员使用了一种可逆的神经网络,一种模仿人脑的人工智能,以高化学精度选择最适合所需属性的材料,如柔韧性或耐热性。这项研究可以为工业带来更多可定制的材料设计。鸣谢:张家欣/ ORNL由美国能源部橡树岭国家实验室的研究人员领导的一项研究可能有助于使材料设计像点击一样可定制。发表在npj Computational Materials上的这项研究使用了一种可逆的神经网络,一种模拟人脑的人工智能,以高化学精度选择最适合所需属性的材料,如柔韧性或耐热性。该团队的发现为定制科学设计和加速从绘图板到生产线的旅程提供了一个潜在的蓝图。

ORNL纳米材料科学中心的尤金·维格纳研究员、该研究的第一作者Victor Fung说:“这些结果是扩展材料设计能力的非常好的第一步。“我们不是选择一种材料并预测它的给定特性,而是希望为我们的目的选择理想的特性,并以高度的信心快速有效地逆向设计这些特性。这就是所谓的逆向设计。它经常被讨论,但很少有逆向设计的具体演示能达到这种高精度。”

神经网络依赖于数百万个类似于大脑中的数字神经元和突触。神经元可以独立工作,不一定要以传统方式进行计算。可逆神经网络的神经元像标签队一样一对一地工作,这个过程被称为双射函数逼近。

研究中使用的逆向设计方法利用可逆神经架构的进步来实现正向映射,或累加输入以产生结果,以及反向映射,或从结果开始并反向工作以推导出初始输入。

“传统算法的计算量非常大,它们不能保证最好的设计,”ORNL大学的人工智能科学家、该研究的合著者张家欣说。“我们有如此广泛的可能材料,搜索空间是巨大的。但是我们可以从现有的数据中产生一个小批量的样本,并用它来代表整个搜索空间。我们可以使用这些样本来训练神经网络,给它一个特定的预期结果,并让它探索所有可能的候选对象。该模型不断学习并提供更准确的结果。”

该团队根据在ORNL科学计算和数据环境以及劳伦斯柏克莱国家实验室的国家能源科学计算中心进行的总共11,000次量子化学计算的数据来训练神经网络。该团队利用神经网络来确定2D材料二硫化钼的必要应变,以产生特定的带隙,或阻止导电性的能量范围。该模型能够几乎精确地指定调节材料带隙所需的施加应变,这允许进一步研究其金属绝缘体转变——从高电导率到低电导率的变化。

“我们几乎达到了化学精度,”冯说。“就这种特殊的应用而言,这绝对是这种逆向设计的第一次。这是一种通用的方法,应用范围广泛,易于培训和扩展,我们非常有信心这是目前解决这类问题的最佳模式。”

该团队已经公开了神经网络代码,并希望使用ORNL的200万亿次超级计算系统Summit或即将推出的万亿次超级计算系统Frontier进行更多的研究,以进一步完善这种方法。Summit和Frontier是Oak Ridge Leadership Computing Facility的一部分,Oak Ridge Leadership Computing Facility是能源部科学办公室用户设施。

“可用的计算资源越多,我们可以用来训练模型的样本就越多,”张说。“我们很高兴利用这一经验来探索其他材料和设计。”

来源:由phyica.com整理转载自PH,转载请保留出处和链接!

本文链接:http://www.phyica.com/jishugongcheng/15669.html

发表评论

用户头像 游客
此处应有掌声~

评论列表

还没有评论,快来说点什么吧~