Recente ontwikkelingen in de ontwikkeling van machine learning en optimalisatietechnieken hebben nieuwe en opwindende mogelijkheden geopend voor het identificeren van geschikte moleculaire ontwerpen, verbindingen en chemische kandidaten voor verschillende toepassingen. Optimalisatietechnieken, waarvan sommige gebaseerd zijn op machine learning-algoritmen, zijn krachtige hulpmiddelen die kunnen worden gebruikt om optimale oplossingen voor een bepaald probleem te selecteren uit een typisch groot aantal mogelijkheden.

Onderzoekers van de Colorado State University en het National Renewable Energy Laboratory hebben state-of-the-art moleculaire optimalisatiemodellen toegepast op verschillende problemen in de echte wereld die het identificeren van nieuwe en veelbelovende moleculaire ontwerpen met zich meebrengen. In hun meest recente onderzoek, te zien in Nature Machine Intelligence , pasten ze specifiek een nieuw ontwikkeld, open-source optimalisatiekader toe op de taak om levensvatbare organische radicalen te identificeren voor waterige redoxflow-batterijen, energieapparaten die chemische energie omzetten in elektriciteit.

"Ons project werd gefinancierd door een ARPA-E-programma dat wilde verkorten hoe lang het duurt om nieuwe energiematerialen te ontwikkelen met behulp van machine learning-technieken", vertelde Peter C. St. John, een van de onderzoekers die het onderzoek uitvoerden, aan TechXplore . "Het vinden van nieuwe kandidaten voor redoxflow-batterijen was een interessante uitbreiding van een aantal van ons eerdere werk, waaronder een paper gepubliceerd in Nature Communications en een andere in Wetenschappelijke gegevens , beide kijken naar organische radicalen."

Het nieuwe raamwerk dat door St. John en zijn collega's is gemaakt, is geïnspireerd op hun eerdere werk aan moleculaire optimalisatie. Het raamwerk bestaat in wezen uit de kunstmatige intelligentie (AI)-tool AlphaZero, ontwikkeld door DeepMind, gekoppeld aan een snel van machine learning afgeleid model, bestaande uit twee grafische neurale netwerken die zijn getraind op bijna 100.000 kwantumchemiesimulaties.

Het eerste van de neurale netwerken van de grafiek is getraind om oxidatie- en reductiepotentialen te voorspellen, twee belangrijke parameters om te bepalen hoeveel energie kan worden opgeslagen in waterige redoxflow-batterijen. De tweede voorspelt de dichtheid van elektronen en de lokale 3D-omgeving, die beide verband houden met de levensduur van deze batterijen.

"We stellen molecuuloptimalisatie voor als een zoektocht naar bomen, waarbij we moleculen bouwen door componenten iteratief toe te voegen aan een groeiende structuur", legt St. John uit. "Het voordeel van deze aanpak is dat we grote takken van de zoekruimte kunnen snoeien waar moleculen substructuren beginnen te vertonen die onrealistisch zijn. We kunnen onze zoekruimte daarom beperken tot alleen moleculen die voldoen aan een vooraf bepaalde reeks eenvoudige criteria."

De onderzoekers gebruikten hun moleculaire optimalisatiekader om een ​​reeks tests uit te voeren die gericht waren op het identificeren van mogelijke organische radicalen voor waterige redoxflow-batterijen die bijzonder stabiel en veelbelovend zouden kunnen zijn. Het raamwerk identificeerde met succes verschillende moleculaire kandidaten die voldeden aan een specifieke combinatie van criteria gedefinieerd door St. John en zijn collega's.

"We hebben aangetoond dat de reeks mogelijke kandidaten voor een bepaald type ladingsdrager in organische redoxflow-batterijen groter kan zijn dan eerder werd overwogen," zei St. John. "We hebben ook aangetoond dat er moleculen kunnen worden gevonden die kunnen leiden tot eenvoudigere, krachtigere batterijen zonder het gebruik van overgangsmetalen."

Tot dusver is het optimalisatiekader dat door dit team van onderzoekers is ontwikkeld, een veelbelovend hulpmiddel gebleken voor het aanpakken van complexe praktijkproblemen met betrekking tot engineering en chemie. In de toekomst zou het dus kunnen worden gebruikt om nieuwe gewenste verbindingen en moleculaire kandidaten te identificeren voor veel verschillende technologieën, waaronder waterige redoxflow-batterijen.

"We willen nu onderzoeken of aanvullende criteria zoals oplosbaarheid en redoxparen tussen geladen toestanden kunnen worden toegevoegd", voegde St. John eraan toe. "Hiervoor zijn aanvullende trainingsgegevens nodig, maar het kan leiden tot meer veelbelovende kandidaat-structuren." + Verder verkennen

Een heteropolyzuur negolyt dat de prestaties van waterige redoxflow-batterijen bij lage temperaturen zou kunnen verbeteren

© 2022 Science X Network