Het ontwerpen van de beste moleculaire bouwstenen voor batterijcomponenten is als het bedenken van een recept voor een nieuw soort cake, wanneer je miljarden potentiële ingrediënten hebt. De uitdaging is om te bepalen welke ingrediënten het beste bij elkaar passen, of meer simpel, een eetbare (of, in het geval van batterijen, een veilig) product. Maar zelfs met ultramoderne supercomputers, wetenschappers kunnen niet precies de chemische eigenschappen modelleren van elk molecuul dat de basis zou kunnen zijn van een batterijmateriaal van de volgende generatie.

In plaats daarvan, Onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) hebben gebruik gemaakt van de kracht van machine learning en kunstmatige intelligentie om het proces van het ontdekken van batterijen drastisch te versnellen.

Zoals beschreven in twee nieuwe artikelen, Onderzoekers van Argonne creëerden eerst een zeer nauwkeurige database van ongeveer 133, 000 kleine organische moleculen die de basis zouden kunnen vormen van batterijelektrolyten. Om dit te doen, ze gebruikten een rekenintensief model genaamd G4MP2. Deze verzameling moleculen, echter, vertegenwoordigde slechts een kleine subset van 166 miljard grotere moleculen die wetenschappers wilden onderzoeken op elektrolytkandidaten.

Omdat het gebruik van G4MP2 om elk van de 166 miljard moleculen op te lossen een onmogelijke hoeveelheid rekentijd en kracht zou hebben gekost, het onderzoeksteam gebruikte een machine learning-algoritme om de precies bekende structuren uit de kleinere dataset te relateren aan veel grovere gemodelleerde structuren uit de grotere dataset.

"Als het erom gaat te bepalen hoe deze moleculen werken, er zijn grote compromissen tussen nauwkeurigheid en de tijd die nodig is om een ​​resultaat te berekenen, " zei Ian Foster, Argonne Data Science and Learning divisiedirecteur en auteur van een van de papers. "Wij geloven dat machinaal leren een manier is om een ​​moleculair beeld te krijgen dat bijna net zo nauwkeurig is tegen een fractie van de rekenkosten."

Om een ​​basis te leggen voor het machine learning-model, Foster en zijn collega's gebruikten een minder computationeel belastend modelleringskader op basis van dichtheidsfunctionaaltheorie, een kwantummechanisch modelleringskader dat wordt gebruikt om de elektronische structuur in grote systemen te berekenen. Dichtheidsfunctionaaltheorie geeft een goede benadering van moleculaire eigenschappen, maar is minder nauwkeurig dan G4MP2.

Verfijning van het algoritme om informatie over de bredere klasse van organische moleculen beter vast te stellen, waarbij de atomaire posities van de moleculen die zijn berekend met de zeer nauwkeurige G4MP2 worden vergeleken met die welke zijn geanalyseerd met alleen dichtheidsfunctionaaltheorie. Door G4MP2 als gouden standaard te gebruiken, de onderzoekers zouden het dichtheidsfunctionaaltheoriemodel kunnen trainen om een ​​correctiefactor op te nemen, het verbeteren van de nauwkeurigheid terwijl de rekenkosten laag blijven.

"Het machine learning-algoritme geeft ons een manier om te kijken naar de relatie tussen de atomen in een groot molecuul en hun buren, om te zien hoe ze zich verbinden en met elkaar omgaan, en zoeken naar overeenkomsten tussen die moleculen en andere die we heel goed kennen, " zei Argonne computerwetenschapper Logan Ward, een auteur van een van de studies. "Dit zal ons helpen voorspellingen te doen over de energieën van deze grotere moleculen of de verschillen tussen de lage en hoge nauwkeurigheidsberekeningen."

"Dit hele project is ontworpen om ons een zo goed mogelijk beeld te geven van kandidaten voor batterijelektrolyten, " voegde Argonne-chemicus Rajeev Assary eraan toe, auteur van beide studies. "Als we een molecuul gaan gebruiken voor toepassingen voor energieopslag, we moeten eigenschappen kennen zoals de stabiliteit, en we kunnen deze machine learning gebruiken om eigenschappen van grotere moleculen nauwkeuriger te voorspellen."

Een paper waarin de vorming van de op G4MP2 gebaseerde dataset wordt beschreven, "Nauwkeurige kwantumchemische energieën voor 133, 000 organische moleculen, " verscheen in het online nummer van 27 juni van Chemische Wetenschappen .

Een tweede paper waarin het machine learning-algoritme wordt beschreven, "Machine learning voorspelling van nauwkeurige verstuivingsenergieën van organische moleculen uit low-fidelity kwantumchemische berekeningen, " verscheen in het nummer van 27 augustus van" MRS Communicatie .