Bij het doorzoeken van theoretische lijsten van mogelijke nieuwe materialen voor bepaalde toepassingen, zoals batterijen of andere energiegerelateerde apparaten, er zijn vaak miljoenen potentiële materialen die kunnen worden overwogen, en meerdere criteria waaraan tegelijk moet worden voldaan en geoptimaliseerd. Nutsvoorzieningen, onderzoekers van MIT hebben een manier gevonden om het ontdekkingsproces drastisch te stroomlijnen, met behulp van een machine learning-systeem.

Als demonstratie, het team kwam tot een set van de acht meest veelbelovende materialen, van bijna 3 miljoen kandidaten, voor een energieopslagsysteem dat een stroombatterij wordt genoemd. Dit ruimingsproces zou met conventionele analytische methoden 50 jaar hebben geduurd, ze zeggen, maar ze volbrachten het in vijf weken.

De bevindingen worden gerapporteerd in het tijdschrift ACS Centrale Wetenschap , in een paper van MIT-hoogleraar chemische technologie Heather Kulik, Jon Paul Janet Ph.D. '19, Sahasrajit Ramesh, en afgestudeerde student Chenru Duan.

De studie keek naar een reeks materialen die overgangsmetaalcomplexen worden genoemd. Deze kunnen in een groot aantal verschillende vormen voorkomen, en Kulik zegt dat ze "echt fascinerend zijn, functionele materialen die anders zijn dan veel andere materiaalfasen. De enige manier om te begrijpen waarom ze werken zoals ze doen, is ze te bestuderen met behulp van kwantummechanica."

Om de eigenschappen van een van de miljoenen van deze materialen te voorspellen, zou ofwel tijdrovende en arbeidsintensieve spectroscopie en ander laboratoriumwerk nodig zijn, of tijdrovend, zeer complexe op fysica gebaseerde computermodellering voor elk mogelijk kandidaatmateriaal of combinatie van materialen. Elk van deze onderzoeken kan uren tot dagen werk kosten.

In plaats daarvan, Kulik en haar team namen een klein aantal verschillende mogelijke materialen en gebruikten deze om een ​​geavanceerd machinaal lerend neuraal netwerk te leren over de relatie tussen de chemische samenstelling van de materialen en hun fysieke eigenschappen. Die kennis werd vervolgens toegepast om suggesties te genereren voor de volgende generatie van mogelijke materialen die kunnen worden gebruikt voor de volgende trainingsronde van het neurale netwerk. Door vier opeenvolgende iteraties van dit proces, het neurale netwerk verbeterde elke keer aanzienlijk, totdat het een punt bereikte waarop duidelijk was dat verdere iteraties geen verdere verbeteringen zouden opleveren.

Dit iteratieve optimalisatiesysteem stroomlijnde het proces om tot mogelijke oplossingen te komen die voldeden aan de twee conflicterende criteria die werden gezocht, aanzienlijk. Dit soort proces van het vinden van de beste oplossingen in situaties, waar verbetering van de ene factor de andere verslechtert, staat bekend als een Pareto-front, een grafiek van de punten weergeven, zodat elke verdere verbetering van de ene factor de andere slechter zou maken. Met andere woorden, de grafiek geeft de best mogelijke compromispunten weer, afhankelijk van het relatieve belang dat aan elke factor wordt toegekend.

Het trainen van typische neurale netwerken vereist zeer grote datasets, variërend van duizenden tot miljoenen voorbeelden, maar Kulik en haar team konden dit iteratieve proces gebruiken, gebaseerd op het Pareto frontmodel, om het proces te stroomlijnen en betrouwbare resultaten te leveren met slechts een paar honderd monsters.

In het geval van screening voor de stroombatterijmaterialen, de gewenste kenmerken waren in conflict, zoals vaak het geval is:het optimale materiaal zou een hoge oplosbaarheid en een hoge energiedichtheid hebben (het vermogen om energie op te slaan voor een bepaald gewicht). Maar toenemende oplosbaarheid heeft de neiging om de energiedichtheid te verminderen, en vice versa.

Niet alleen was het neurale netwerk in staat om snel met veelbelovende kandidaten te komen, het was ook in staat om vertrouwensniveaus toe te kennen aan zijn verschillende voorspellingen via elke iteratie, wat hielp om de steekproefselectie bij elke stap te verfijnen. "We hebben een beter dan best-in-class onzekerheidskwantificatietechniek ontwikkeld om echt te weten wanneer deze modellen zouden falen, ' zegt Kulik.

De uitdaging die ze kozen voor de proof-of-concept-proef was materialen voor gebruik in redoxflow-batterijen, een type batterij dat veelbelovend is voor grote, batterijen op netschaal die een belangrijke rol kunnen spelen bij het mogelijk maken van schone, hernieuwbare energie. Overgangsmetaalcomplexen zijn de voorkeurscategorie van materialen voor dergelijke batterijen, Kulik zegt, maar er zijn te veel mogelijkheden om met conventionele middelen te evalueren. Ze begonnen met een lijst van 3 miljoen van dergelijke complexen, voordat ze die uiteindelijk terugbrachten tot de acht goede kandidaten, samen met een reeks ontwerpregels die experimentatoren in staat moeten stellen het potentieel van deze kandidaten en hun variaties te verkennen.

“Door dat proces het neurale net wordt beide steeds slimmer over de [ontwerp]ruimte, maar ook steeds pessimistischer dat alles dat verder gaat dan wat we al hebben gekarakteriseerd, verder kan verbeteren aan wat we al weten, " ze zegt.

Afgezien van de specifieke overgangsmetaalcomplexen die worden voorgesteld voor verder onderzoek met behulp van dit systeem, ze zegt, de methode zelf zou veel bredere toepassingen kunnen hebben. "We zien het als het raamwerk dat kan worden toegepast op elke materiaalontwerpuitdaging waarbij je echt meerdere doelen tegelijk probeert aan te pakken. Weet je, de meest interessante uitdagingen op het gebied van materiaalontwerp zijn die waarbij je één ding probeert te verbeteren, maar verbeteren dat verergert een ander. En voor ons, het redox-flow-batterij-redox-paar was slechts een goede demonstratie van waar we denken te kunnen gaan met deze machine learning en versnelde materiaalontdekking."

Bijvoorbeeld, het optimaliseren van katalysatoren voor verschillende chemische en industriële processen is een ander soort van dergelijke complexe materialen zoeken, zegt Kulik. Momenteel gebruikte katalysatoren bevatten vaak zeldzame en dure elementen, dus het vinden van even effectieve verbindingen op basis van overvloedige en goedkope materialen zou een aanzienlijk voordeel kunnen zijn.

"Dit papier vertegenwoordigt, Ik geloof, de eerste toepassing van multidimensionale gerichte verbetering in de chemische wetenschappen, " zegt ze. Maar de langetermijnbetekenis van het werk zit in de methodologie zelf, vanwege dingen die anders misschien helemaal niet mogelijk zouden zijn. "Je begint te beseffen dat zelfs met parallelle berekeningen, dit zijn gevallen waarin we op geen enkele andere manier tot een ontwerpprincipe zouden zijn gekomen. En deze leads die uit ons werk komen, dit zijn niet per se ideeën die al uit de literatuur bekend waren of waar een deskundige je op had kunnen wijzen."

"Dit is een mooie combinatie van concepten in statistiek, toegepaste wiskunde, en natuurwetenschappen die zeer nuttig zullen zijn in technische toepassingen, " zegt George Schatz, hoogleraar scheikunde en chemische en biologische technologie aan de Northwestern University, die niet bij dit werk betrokken was. Hij zegt dat dit onderzoek zich richt op "hoe machinaal leren te doen wanneer er meerdere doelen zijn. Kulik's aanpak maakt gebruik van geavanceerde methoden om een ​​kunstmatig neuraal netwerk te trainen dat wordt gebruikt om te voorspellen welke combinatie van overgangsmetaalionen en organische liganden het beste zal zijn voor redoxflow-batterijen elektrolyten."

Schatz zegt, "This method can be used in many different contexts, so it has the potential to transform machine learning, which is a major activity around the world."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.