人工智能是通过机器来_研究人员利用机器学习和人工智能 大大加快电池研发过程

核心提示:美国能源部阿拉贡国家实验室的研究人员借助机器学习和人工智能，大大加快了电池的研发过程。

(图源:阿贡官方网站)

盖世太保设计最适合电池模块的分子结构是一项复杂的工作。 以数十亿种潜在的原料为基础，制作新的蛋糕配方。 设计者需要面对许多挑战。 例如，确定组合哪些组件最合适。 而且，即使拥有最先进的超级计算机，科学家们也无法正确模拟各个分子的化学特性，证明它是下一代电池材料的基础。

据媒体报道，美国能源部阿拉贡国家实验室的研究人员借助机械学习和人工智能的力量，大幅加快了电池的开发过程。 首先，研究人员通过G4MP2计算密集型模型建立了高精度的数据库，其中约含有13.3万个小有机分子，可能构成电池的基本电解质。 但是，这些只是科学家们想研究的1660亿大分子中的一小部分。 为节省计算时间和能力，研究小组使用机器学习算法将小数据组中的精确已知结构与大数据组中的粗建模结构相结合。 阿拉贡数据科学和学习部门负责人伊恩·福斯特说:“我相信机器学习代表了一种方法。 以微小的计算成本，可以得到准确接近的分子图像。 " "

为了奠定机器学习模型的基础，Foster和同事根据密度泛函理论，采用计算量小的建模框架，通过该量子力学建模框架计算大系统的电子结构。 密度泛函理论可以很好地解释分子的性质，但比G4MP2更不准确.

为了更好、更广泛地理解有机分子的信息，需要使用高精度的G4MP2计算分子中原子的位置，与仅用密度泛函理论分析的分子相比，需要改进算法。 研究人员以G4MP2为基准，训练密度泛函理论模型，在其中加入修正因子，降低计算成本，提高精度。

阿拉贡计算科学家LoganWard说:“机器学习算法为我们提供了一种方法，研究大分子中原子与其邻居的关系，了解它们如何结合相互作用，寻找这些分子与我们熟悉的其他分子的相似之处。 我们可以在此基础上预测大分子的能量和高低精度的计算差异。 " "

阿拉贡化学家RajeevAssary说:“我们发表了这个项目，想尽可能得到电池电解质候补成分的最大图像。 将分子应用于能量贮藏，需要了解稳定性等性质。 通过机器学习，我们可以更加正确地预测大分子的性质。 " "

*特别声明:本文为技术类文章，禁止转载或大规模摘录！ 擅自转载的话，法律一定会研究的。