Het vermogen om geoptimaliseerde nanomaterialen te genereren met kunstmatige neurale netwerken kan een revolutie teweegbrengen in de toekomst van materiaalontwerp in de materiaalwetenschap. Terwijl wetenschappers geleidelijk kleine en eenvoudige moleculen hadden gecreëerd, complexe kristallijne poreuze materialen moeten nog worden gegenereerd met behulp van neurale netwerken. In een recent rapport over wetenschappelijke vooruitgang , Baekjun Kim en een team van onderzoekers van de afdeling Chemische en Biomoleculaire Engineering van het Korea Advanced Institute of Science and Technology, Republiek Korea, een generatief netwerk van tegenstanders geïmplementeerd.

Ze produceerden 121 kristallijne poreuze materialen met behulp van een trainingsset van 31, 713 bekende zeolieten. Het nieuwe neurale netwerk nam input in de vorm van energie- en materiaalafmetingen om op betrouwbare wijze zeolieten te produceren met een door de gebruiker gewenst bereik van 4 kJ/mol methaanadsorptiewarmte. Ze wezen de energiedimensie in het werk aan als de potentiële energie van methaan. De fijnafstemming van de door de gebruiker gewenste capaciteit kan de materiaalontwikkeling mogelijk versnellen, terwijl het demonstreren van een succesvol geval van omgekeerd ontwerp van poreuze materialen.

Materiaalwetenschappers hebben de afgelopen jaren veel onderzoek gedaan om nieuwe materialen te ontdekken met behulp van kunstmatige intelligentie. Ze boekten aanzienlijke vooruitgang met behulp van een verscheidenheid aan kunstmatige neurale netwerken (ANN's) om onontdekte moleculen en materialen te genereren. Echter, ANN's moeten nog steeds met succes worden gebruikt om nieuwe kristallijne materialen te maken, aangezien machine learning tot nu toe alleen materiaaleigenschappen had voorspeld, composities, bandgap energie, vormingsenergie en gasadsorptie-opnames. Kristallijne poreuze materialen bevatten dichte opstellingen van microscopisch kleine poriën voor een groter oppervlak en poriënvolume. Ze vormen een belangrijke materiaalklasse voor uiteenlopende energie- en milieugerelateerde toepassingen. In vergelijking met andere kristallijne materialen, poreuze materialen zoals zeolieten, metalen organische raamwerken (MOF's) en covalente organische raamwerken (COF's) zijn relatief uitdagender om te genereren met behulp van ANN's vanwege de grotere complexiteit.

In dit onderzoek, Kim et al. een ANN bedacht om kristallijne poreuze materialen te genereren door zich specifiek te richten op een case study-probleem om pure silica-zeolietstructuren te produceren, gekozen vanwege hun structurele eenvoud. Het team gebruikte een schat aan materialen die beschikbaar waren in een open database van hypothetische zeolieten om het neurale netwerk te trainen. Zeolieten worden klassiek gedefinieerd als aluminosilicaten met open driedimensionale (3-D) raamwerken met hoekdelende TO ₄ tetraëders waarbij T aluminium (Al) of silicium (Si) is.

Terwijl een paar eerdere onderzoeksinspanningen een evolutie-algoritme gebruikten om materiaaleigenschappen te targeten, dergelijke conventionele methoden leiden tot het genereren van poreuze materialen met brute kracht, waardoor rekenkundig dure screening nodig is om optimale materialen voor een bepaalde toepassing te identificeren. De meeste van dergelijke gegenereerde materialen hebben slechte eigenschappen, die een inefficiënte toewijzing van computerbronnen aantasten. Kim et al. ontwierp het nieuwe neurale netwerk om de inputs in zowel materiële als energiedimensies weer te geven. Het nieuwe algoritme heeft een uniek voordeel om inverse materialen te ontwerpen met behulp van ANN's om de energiedimensie te beïnvloeden die correleert met de materiaaleigenschappen.

Generatief vijandig netwerk voor zeolieten.

Het team gebruikte generatieve vijandige netwerken (GAN) om kristallijne poreuze materialen te produceren vanwege hun verbeterde capaciteit om realistische objecten zoals menselijke gezichten te produceren. De GAN bevatte een discriminator en een generator, waar de discriminatie onderscheid zou kunnen maken tussen de echte en nepgegevens, als de generator handelt om de discriminator te misleiden door geleidelijk realistische (maar nep) objecten te vormen. Deze opzet zou het leren van tegenstanders kunnen bevorderen door steeds realistischere objecten te genereren als bijproduct van het verbeteren van het leerproces voor zowel de discriminator als de generator.

Aangezien het doel van dit werk was om materialen en energievormen te genereren, Kim et al. vormden een nieuw type GAN genaamd zeoliet GAN (ZeoGAN). Het team wilde realistische zeolietmaterialen produceren met behulp van de generator in ZeoGAN met hun bijbehorende energievormen om verschillende functies aan de opstelling toe te voegen. Ze voegden periodieke opvulling toe aan de criticus (of discriminator) om te voorkomen dat er niet-realistische vormen werden gegenereerd die tot onrealistische bindingen zouden kunnen leiden, en vergemakkelijkte convergentie voor zowel materialen als energievormen door functieaanpassing aan de ZeoGAN toe te voegen.

In de huidige proefopstelling is ze verdeelden de input naar het neurale netwerk in materialen en energienetwerken, met het materialenraster verder onderverdeeld in de silicium- en zuurstofatoomrasters op basis van klassieke moleculaire simulaties. De wetenschappers gebruikten elk drie rasters en hielden het aantal rasterpunten klein en constant om de geheugenkosten te verlagen. aangezien grotere rasters tot een zeer langzaam leerproces kunnen leiden. Ze vertegenwoordigden de posities van de silicium (Si) en zuurstof (O) atomen met behulp van Gauss-functies, waar de piek van de Gaussische correspondeerde met de positie van de zeolietatomen.

Zuivere silicazeolieten genereren

De wetenschappers gebruikten in totaal 31, 173 methaan toegankelijke zeolieten om het neurale netwerk te trainen. Het leerproces van ZeoGAN toonde de evolutie van materiaal/energievormen uit hun aanvankelijke Gauss-ruisverdelingen. Ze hebben de discriminator getraind om de afstand van de Earth mover (EMD) tussen de datadistributie en generatordistributie te schatten, en trainde de generator om de EMD te minimaliseren om realistische monsters te genereren. aanvankelijk, de materiaal-/energievormen leken op de typische geluidsverdeling, maar naarmate het leren vorderde, ze bezetten afzonderlijke gebieden in de eenheidscelruimte om te veranderen in vormen die lijken op typische zeolieten.

In totaal, ze genereerden 1 miljoen zeolietvormen (zowel materiaal als energie) uit de ZeoGAN. Van deze vormen, ze kenden de posities van de zuurstof- en siliciumatomen toe met behulp van een eenvoudige regel en berekenden de Si:O-verhouding voor elke output. De zeolietvormen evolueerden terwijl ze met succes door een opruimingsoperatie gingen om een ​​optimale Si:O-verhouding en 100 procent bindingsconnectiviteit op te leveren. Van dit stel, ze hielden structuren met een klein aantal symmetrisch unieke T-atomen (waarbij T Al of Si is). De uiteindelijke ontspannen structuren leken op hun oorspronkelijke zeolietvormen, wat aangeeft dat nabewerking de essentie van nieuwe zeolietvormen niet significant veranderde. Kim et al. na sanering in totaal acht resulterende constructies verkregen, die niet in de originele trainingsset zaten om de succesvolle creatie van nieuwe zeolieten met ZeoGAN aan te geven.

ZeoGAN gebruiken voor omgekeerd ontwerp van zeolieten

De zeolieten die tot dusver zijn gegenereerd uit ZeoGAN bevatten geen door de gebruiker gewenste eigenschappen. Om het ontwerp te verbeteren, het onderzoeksteam selecteerde om de methaanwarmte van adsorptie en ZeoGAN-verliesfunctie te veranderen om zeolieten te genereren met adsorptiewarmtewaarden tussen 18 en 22 kJ/mol. Het team observeerde een scherpe verandering in de methaanwarmte van adsorptieverdeling binnen de gegevens voor de 1 miljoen nieuw gegenereerde door de gebruiker gewenste zeolietvormen die de juiste functie van het door de gebruiker gewenste criterium aangeven. De waarden correleerden niet met de nieuwe verliesfunctie, echter. Het team implementeerde vervolgens een soortgelijk opruimproces (zoals voorheen), voor de 1 miljoen door de gebruiker gewenste zeolietvormen, om zes nieuwe zeolieten en één zeoliet op te leveren die ook eerder werden geproduceerd binnen de door de niet-gebruiker gewenste set. Van deze zes zeolieten, vier behielden de methaanadsorptiewarmte tussen 18 en 22 kJ/mol zoals verwacht, wat wijst op een succesvol omgekeerd ontwerp van de zeolieten.

Deze experimenten waren een eerste in studie, aangezien eerdere experimentele of computationele modellen tot dusver geen eigenschappen hadden opgeleverd binnen dit door de gebruiker gewenste specifieke bereik. Aanvullend, wanneer Kim et al. verwijderde beperkingen voor het aantal unieke T-atomen die mogelijk waren voor zeolietkandidaten gegenereerd uit ANN's, ze zagen een significante toename van het aantal nieuw gevormde zeolieten. Op deze manier, ze verkregen in totaal 121 haalbare zeolietstructuren met behulp van de in eigen huis ontwikkelde ANN, om het aantal nieuwe zeolieten met succes uit te breiden binnen de ruimte voor zuivere silica-zeolietmaterialen.

Dit werk zal mogelijk de weg vrijmaken om ANN's op te nemen om door de gebruiker gewenste eigenschappen te targeten vóór materiaalontwerp en synthese. Hoewel de ANN hier voor de eenvoud beperkt is tot alleen silicium- en zuurstofatomen, het aantal ingangskanalen kan worden vergroot om complexere kristallijne materialen zoals MOF's en COF's te dekken. De reikwijdte van dit werk kan worden uitgebreid om het toekomstige ontwerp van verschillende klassen materialen te beïnvloeden.

© 2020 Wetenschap X Netwerk