科学:除了阿法尔狗，人工智能还可以玩多孔材料设计。

< p >

背景

人工智能是一门研究和开发用于模拟、扩展和拓展人类智能的理论、方法、技术和应用系统的新技术科学。它引发了科学研究和社会的广泛热潮。在过去的几年里，利用人工智能寻找新材料的努力吸引了大量的研究。随后，在使用各种人工神经网络来产生未被发现的分子和材料方面取得了显著的进展。不幸的是，没有人成功地使用人工神经网络来创造新的晶体材料，因为机器学习仅用于预测材料的性质，例如成分、带隙能量、产生能量和气体吸收。在晶体材料中，多孔材料包含密集排列的微孔，导致高表面积和孔容。因此，它被认为是与能源和环境相关的许多不同应用的重要材料。这些多孔材料

文字介绍1。

在人工神经网络的许多不同选择中，生成对抗网络(GAN)用于生成晶体多孔材料，因为它增强了生成逼真对象(如人脸)的能力GAN由鉴别器和发生器组成，鉴别器的目的是区分真实数据和伪数据，发生器通过逐渐创建真实的伪对象来欺骗鉴别器一般来说，这种设置将导致对抗性学习，其中生成真实对象，这是鉴别器和生成器学习过程改进的副产品考虑到生产材料和能量形式的特定目标，他们开发了一种新型的氮化镓，称为沸石氮化镓(ZeoGAN)这里，作为一个测试案例研究问题，能量维度被指定为甲烷势能，因为它在各种甲烷存储应用中的重要性以及使用经典分子模拟快速构建甲烷能量网格(其可以快速生成用于机械学习的训练集)。ZeoGAN的总体示意图如图1所示。神经网络的输入分为材料网格和能量网格，材料网格又细分为硅和氧原子网格。在给定的沸石晶胞中，三个网格的大小在十进制坐标中设置为32 * 32 * 32点，并且网格大小相等。对于所有沸石材料，十进制坐标被用来保持这些网格大小相同网格点的数量应该保持较小，以降低存储成本，因为较大的网格将导致非常缓慢的学习过程。硅和氧原子的位置由高斯函数表示，高斯峰对应于沸石原子的位置。由于氧和硅的网格像RGB颜色通道一样分开，两个高斯函数被赋予相同的振幅1.0和方差0.5。甲烷势能网格和物质网格是通过常规分子模拟产生的。整个网格(硅/氧/甲烷势)被组合成一个张量，它被用作ZeoGAN的输入。ZeoGAN可以被训练产生真实的张量，这类似于从实际沸石计算的张量。

图1 zeogan总图能量(绿色)指甲烷势能，材料网格代表硅(红色)和氧(黄色)原子

2年。纯硅沸石

总的来说，使用了31，173种甲烷可及的沸石来训练神经网络ZeoGAN的学习过程显示了材料/能量形态从其初始高斯噪声分布的演变(图2A)解释类似于概率分布的分布，并选择地球移动距离作为衡量训练收敛的指标，而较小的地球移动距离对应更实际的沸石形状。材料/能量形态最初类似于典型的噪声分布(图2A插图中的第一幅图)，但是随着学习的进行，可以看出材料和能量形态占据了单元单元空间中的单独区域，并且变形为看起来像典型沸石的形状。

图2 ZeoGAN的学习曲线和si: o比值直方图

0年ZeoGAN生产了100万种沸石形状(材料和能量)(步骤1)；根据这些形状，氧和硅原子的位置使用简单的规则来指定(步骤2)过滤步骤2的输出的子集(0.45 搜索(步骤3)添加/移除原子以修复键连接，产生674硅氧比= 0.5和100%连接结构从这个集合中，只保留了少数具有对称唯一T原子(≤10)的结构，因为大多数具有大量唯一T原子的结构通常是非对称的，结果，总数减少到8最后，使用经典分子模拟优化这些完全连接的结构(步骤4)所有最终的松弛结构都类似于它们各自的初始沸石形状，这证明我们的后处理操作不会显著改变沸石形状的性质。

图3三种沸石形状的演变，这些形状成功通过纯化操作，导致硅:氧= 0.5和100%键连接

对于所获得的八个结构，配位序列被用作一个简单的指标来确定这些结构是否存在于IZA或PCOD数据库中。他们发现有7种存在于IZA或PCOD数据库中，其中一种是未知的沸石，这在任何一组中都找不到。八种沸石都没有包含在最初的训练集中，这表明ZeoGAN成功地创造了一种在学习过程中没有发现的新沸石。图4显示了IZA/PCOD数据库中的纯化沸石和相应的沸石

图4 IZA/PCOD数据库中由ZeoGAN生产的八种纯化沸石及其相应的沸石

3年。用ZeoGAN

到目前为止，由ZeoGAN生产的沸石不具备用户要求的任何特性。为了改进设计，选择甲烷吸收热来测试用户所需的功能，因为它是实验室人员进行材料设计的重要指标。随后，改变沸石的热损失函数，生成吸附热值为18-22kJ/mol的沸石作为目标。从图5A中一百万个新生成的沸石形状的数据可以看出，与训练集的情况相比，吸附的甲烷热分布发生了显著变化，表明用户要求的标准正常运行。还值得一提的是，对于新的损失函数，甲烷KH和空隙率几乎没有变化，这表明它们在所选的吸附范围内与甲烷热无关。

接下来，对图3中所示的100万用户所需的沸石形状进行相同的清洗程序，得到六种新的沸石(两种来自训练组，两种来自PCOD/IZA组，另外两种在数据组之外)和用户不需要的沸石(即，PCOD 8308701)在六种沸石中，四种沸石的甲烷吸附热为18-22kJ/mol(另外两种分别为17.1和23 kJ/mol)，这为成功的反设计提供了可靠的依据。在多孔材料中，任何现有的实验或计算方法都不能预先确定这种特定范围的性能图5B显示了两种代表性的纯化沸石。配位序列的比较表明，它们对应于沸石ACO和PCOD 8242361的结构

图5用户要求的生成结果

亮点总结

综上所述，作者成功地用一个内部开发的人工神经网络证明了沸石的逆向设计。这项工作可以为在材料设计/合成之前使用人工神经网络来面对用户期望的特性铺平道路，并且该工具可以扩展到能量网格可以映射到与应用本身相关的特性的任何应用(例如，气体存储/分离、催化、传感器)此外，可以增加人工神经网络中的输入通道的数量，以覆盖更复杂的晶体材料，例如MOF和COF，从而扩大工作范围并影响未来各种材料的设计。

https://advances . science mag . org/content/6/1/eaax 9324

作者:来源:高级聚合物科学

声明:仅代表个人观点，作者水平有限，如有不科学之处，请在下方留言。