Een lang gekoesterd doel van chemici in vele industrieën, inclusief energie, geneesmiddelen, energieën, levensmiddelenadditieven en organische halfgeleiders, is om de chemische structuur van een nieuw molecuul voor te stellen en te kunnen voorspellen hoe het zal functioneren voor een gewenste toepassing. In praktijk, deze visie is moeilijk, vaak veel laboratoriumwerk nodig om te synthetiseren, isoleren, zuiveren en karakteriseren van nieuw ontworpen moleculen om de gewenste informatie te verkrijgen.

Onlangs, een team van materialen van het Lawrence Livermore National Laboratory (LLNL) en computerwetenschappers hebben deze visie voor energetische moleculen verwezenlijkt door modellen voor machine learning (ML) te creëren die de kristallijne eigenschappen van moleculen kunnen voorspellen op basis van alleen hun chemische structuren, zoals moleculaire dichtheid. Het voorspellen van kristalstructuurdescriptoren (in plaats van de hele kristalstructuur) biedt een efficiënte methode om de eigenschappen van een materiaal af te leiden, waardoor het ontwerp en de ontdekking van materialen wordt versneld. Het onderzoek verschijnt in de Tijdschrift voor chemische informatie en modellering .

"Een van de meest prominente ML-modellen van het team is in staat om de kristallijne dichtheid van energetische en energetisch-achtige moleculen te voorspellen met een hoge mate van nauwkeurigheid in vergelijking met eerdere op ML gebaseerde methoden, " zei Phan Nguyen, LLNL toegepast wiskundige en co-eerste auteur van het artikel.

"Zelfs in vergelijking met de dichtheidsfunctionele theorie (DFT), een rekenkundig dure en fysica-geïnformeerde methode voor kristalstructuur en kristallijne eigenschap voorspelling, het ML-model biedt competitieve nauwkeurigheid terwijl het een fractie van de rekentijd vereist, " zei Donald Loveland, LLNL computerwetenschapper en co-eerste auteur.

Leden van LLNL's High Explosive Application Facility (HEAF) zijn al begonnen te profiteren van de webinterface van het model, met als doel nieuwe ongevoelige energetische materialen te ontdekken. Door simpelweg de 2D chemische structuur van moleculen in te voeren, HEAF-chemici hebben snel de voorspelde kristallijne dichtheid van die moleculen kunnen bepalen, wat nauw verband houdt met de prestatiestatistieken van potentiële energie.

"We zijn verheugd om te zien dat de resultaten van ons werk worden toegepast op belangrijke missies van het Lab. Dit werk zal zeker helpen bij het versnellen van de ontdekking en optimalisatie van nieuwe materialen in de toekomst, " zei Yong Han, LLNL materiaalwetenschapper en hoofdonderzoeker van het project.

Vervolginspanningen binnen de Materials Science Division hebben het ML-model gebruikt in combinatie met een generatief model om grote chemische ruimtes snel en efficiënt te doorzoeken op kandidaten met een hoge dichtheid.

"Beide inspanningen verleggen de grenzen van het ontdekken van materialen en worden mogelijk gemaakt door het nieuwe paradigma van het samenvoegen van materiaalwetenschap en machine learning, " zei Anna Hiszpanski, LLNL materiaalwetenschapper en co-corresponderende auteur van het artikel.

Het team blijft zoeken naar nieuwe eigenschappen die van belang zijn voor het Lab met de visie om een ​​reeks voorspellende modellen te bieden die materiaalwetenschappers in hun onderzoek kunnen gebruiken.