Nano-ingenieurs van de University of California San Diego hebben nieuwe deep learning-modellen ontwikkeld die de eigenschappen van moleculen en kristallen nauwkeurig kunnen voorspellen. Door bijna onmiddellijke eigenschapsvoorspellingen mogelijk te maken, deze deep learning-modellen bieden onderzoekers de middelen om snel het bijna oneindige universum van verbindingen te scannen om potentieel transformatieve materialen voor verschillende technologische toepassingen te ontdekken, zoals Li-ionbatterijen met hoge energiedichtheid, warmwitte LED's, en betere fotovoltaïsche energie.

Om hun modellen te bouwen, een team onder leiding van professor nano-engineering Shyue Ping Ong aan de UC San Diego Jacobs School of Engineering gebruikte een nieuw diepgaand leerraamwerk, grafieknetwerken genaamd, ontwikkeld door Google DeepMind, het brein achter AlphaGo en AlphaZero. Grafieknetwerken hebben het potentieel om de mogelijkheden van bestaande AI-technologie uit te breiden om gecompliceerde leer- en redeneertaken uit te voeren met beperkte ervaring en kennis - iets waar mensen goed in zijn.

Voor materiaalwetenschappers zoals Ong, grafieknetwerken bieden een natuurlijke manier om bindingsrelaties tussen atomen in een molecuul of kristal weer te geven en stellen computers in staat te leren hoe deze relaties zich verhouden tot hun chemische en fysische eigenschappen.

De nieuwe op grafieken gebaseerde modellen, die het team van Ong MatErials Graph Network (MEGNet) -modellen noemde, presteerde beter dan de stand van de techniek bij het voorspellen van 11 van de 13 eigendommen voor de 133, 000 moleculen in de QM9-dataset. Het team heeft de MEGNet-modellen ook getraind op ongeveer 60, 000 kristallen in het Materials Project. De modellen presteerden beter dan eerdere machine learning-modellen bij het voorspellen van de vormingsenergieën, bandhiaten en elastische moduli van kristallen.

Het team demonstreerde ook twee benaderingen om gegevensbeperkingen in materiaalwetenschap en scheikunde te overwinnen. Eerst, het team toonde aan dat grafische netwerken kunnen worden gebruikt om meerdere modellen voor vrije energie te verenigen, wat resulteert in een meervoudige toename van trainingsgegevens. Tweede, ze toonden aan dat hun MEGNet-modellen effectief relaties tussen elementen in het periodiek systeem kunnen leren. Deze machinaal geleerde informatie van een vastgoedmodel dat is getraind op een grote dataset, kan vervolgens worden overgedragen om de training en nauwkeurigheid van vastgoedmodellen met kleinere hoeveelheden gegevens te verbeteren. Dit concept staat in machine learning bekend als transfer learning.