Neuronale Netze erleichtern die Optimierung bei der Suche nach neuen Materialien
Bei der Durchsicht von Millionen von Möglichkeiten lieferte die Suche nach Batteriematerialien Ergebnisse in fünf Wochen statt in 50 Jahren.
Beim Durchsuchen theoretischer Listen möglicher neuer Materialien für bestimmte Anwendungen wie Batterien oder andere energiebezogene Geräte kommen oft Millionen potenzieller Materialien in Betracht und mehrere Kriterien, die gleichzeitig erfüllt und optimiert werden müssen. Jetzt haben Forscher vonMIThaben einen Weg gefunden, den Entdeckungsprozess mithilfe von a drastisch zu rationalisierenmaschinelles LernenSystem.
Zur Demonstration gelangte das Team zu einer Reihe der acht vielversprechendsten Materialien aus fast drei Millionen Kandidaten für ein Energiespeichersystem namens Flow-Batterie. Mit konventionellen Analysemethoden hätte dieser Keulungsprozess 50 Jahre gedauert, sagen sie, aber sie haben ihn in fünf Wochen geschafft.
Über die Ergebnisse wird in der Zeitschrift berichtetACS Zentralwissenschaft, in einem Artikel der MIT-Professorin für Chemieingenieurwesen Heather Kulik, Jon Paul Janet PhD ’19, Sahasrajit Ramesh und dem Doktoranden Chenru Duan.
Die Studie untersuchte eine Reihe von Materialien, die als Übergangsmetallkomplexe bezeichnet werden. Diese können in einer Vielzahl unterschiedlicher Formen existieren, und Kulik sagt, dass es sich um „wirklich faszinierende, funktionale Materialien handelt, die sich von vielen anderen Materialphasen unterscheiden. Der einzige Weg zu verstehen, warum sie so funktionieren, ist, sie mithilfe der Quantenmechanik zu untersuchen.“
Um die Eigenschaften eines von Millionen dieser Materialien vorherzusagen, wären entweder zeitaufwändige und ressourcenintensive Spektroskopie und andere Laborarbeiten oder eine zeitaufwändige, hochkomplexe physikbasierte Computermodellierung für jedes mögliche Kandidatenmaterial oder jede mögliche Materialkombination erforderlich. Jede solche Studie könnte Stunden bis Tage Arbeit in Anspruch nehmen.
Stattdessen nahmen Kulik und ihr Team eine kleine Anzahl verschiedener möglicher Materialien und nutzten sie, um Fortgeschrittene zu unterrichtenüber den Zusammenhang zwischen der chemischen Zusammensetzung der Materialien und ihren physikalischen Eigenschaften. Dieses Wissen wurde dann angewendet, um Vorschläge für die nächste Generation möglicher Materialien zu generieren, die für die nächste Trainingsrunde des neuronalen Netzwerks verwendet werden sollen. Durch vier aufeinanderfolgende Iterationen dieses Prozesses verbesserte sich das neuronale Netzwerk jedes Mal erheblich, bis ein Punkt erreicht wurde, an dem klar war, dass weitere Iterationen keine weiteren Verbesserungen bringen würden.
Dieses iterative Optimierungssystem hat den Prozess der Erzielung potenzieller Lösungen, die die beiden gesuchten widersprüchlichen Kriterien erfüllen, erheblich rationalisiert. Diese Art des Findens der besten Lösungen in Situationen, in denen die Verbesserung eines Faktors dazu führt, dass sich der andere verschlechtert, wird als Pareto-Front bezeichnet. Dabei handelt es sich um ein Diagramm der Punkte, bei denen jede weitere Verbesserung eines Faktors den anderen verschlechtern würde. Mit anderen Worten: Die Grafik stellt die bestmöglichen Kompromisspunkte dar, abhängig von der relativen Bedeutung, die jedem Faktor zugewiesen wird.
Das Training typischer neuronaler Netze erfordert sehr große Datensätze, die von Tausenden bis zu Millionen von Beispielen reichen, aber Kulik und ihr Team konnten diesen iterativen Prozess, der auf dem Pareto-Frontmodell basiert, nutzen, um den Prozess zu rationalisieren und zuverlässige Ergebnisse mit nur wenigen hundert Proben zu liefern.
Beim Screening der Flow-Batterie-Materialien standen die gewünschten Eigenschaften wie so oft im Widerspruch: Das optimale Material hätte eine hohe Löslichkeit und eine hohe Energiedichte (die Fähigkeit, Energie bei gegebenem Gewicht zu speichern). Aber eine zunehmende Löslichkeit führt tendenziell zu einer Verringerung der Energiedichte und umgekehrt.
Das neuronale Netzwerk war nicht nur in der Lage, schnell vielversprechende Kandidaten zu finden, es war auch in der Lage, seinen verschiedenen Vorhersagen in jeder Iteration ein Maß an Konfidenz zuzuordnen, was dazu beitrug, die Stichprobenauswahl bei jedem Schritt zu verfeinern. „Wir haben eine Methode zur Unsicherheitsquantifizierung entwickelt, die besser als die beste ihrer Klasse ist, um wirklich zu wissen, wann diese Modelle versagen würden“, sagt Kulik.
Die Herausforderung, die sie für den Proof-of-Concept-Versuch wählten, waren Materialien für den Einsatz in Redox-Flow-Batterien, einem Batterietyp, der vielversprechend für große Batterien im Netzmaßstab ist, die eine wichtige Rolle bei der Ermöglichung sauberer, erneuerbarer Energien spielen könnten. Übergangsmetallkomplexe seien die bevorzugte Materialkategorie für solche Batterien, sagt Kulik, aber es gebe zu viele Möglichkeiten, um sie mit herkömmlichen Mitteln zu bewerten. Sie begannen mit einer Liste von drei Millionen solcher Komplexe, bevor sie diese schließlich auf die acht guten Kandidaten reduzierten, zusammen mit einer Reihe von Designregeln, die es Experimentatoren ermöglichen sollten, das Potenzial dieser Kandidaten und ihrer Variationen zu erkunden.
„Durch diesen Prozess wird das neuronale Netz sowohl im Hinblick auf den [Design-]Raum immer intelligenter, aber auch zunehmend pessimistisch, dass alles, was über das hinausgeht, was wir bereits charakterisiert haben, das, was wir bereits wissen, weiter verbessern kann“, sagt sie.
Abgesehen von den spezifischen Übergangsmetallkomplexen, die für weitere Untersuchungen mit diesem System vorgeschlagen werden, könnte die Methode selbst viel breitere Anwendungsmöglichkeiten haben, sagt sie. „Wir betrachten es als den Rahmen, der auf jede Materialdesign-Herausforderung angewendet werden kann, bei der man wirklich versucht, mehrere Ziele gleichzeitig anzugehen. Wissen Sie, die interessantesten Materialdesign-Herausforderungen sind solche, bei denen man eine Sache verbessern möchte, aber eine Verbesserung eine andere verschlechtert. Und für uns war das Redox-Paar der Redox-Flow-Batterie nur eine gute Demonstration dafür, wohin wir mit diesem maschinellen Lernen und der beschleunigten Materialentdeckung unserer Meinung nach gehen können.“
Eine weitere Art der Suche nach solch komplexen Materialien sei beispielsweise die Optimierung von Katalysatoren für verschiedene chemische und industrielle Prozesse, sagt Kulik. Derzeit verwendete Katalysatoren enthalten häufig seltene und teure Elemente, sodass die Suche nach ähnlich wirksamen Verbindungen auf der Grundlage reichlich vorhandener und kostengünstiger Materialien ein erheblicher Vorteil sein könnte.
„Dieses Papier stellt meiner Meinung nach die erste Anwendung mehrdimensionaler gezielter Verbesserungen in den chemischen Wissenschaften dar“, sagt sie. Aber die langfristige Bedeutung der Arbeit liegt in der Methodik selbst, denn Dinge, die sonst vielleicht gar nicht möglich wären. „Man beginnt zu begreifen, dass es sich hierbei um Fälle handelt, in denen wir auch mit parallelen Berechnungen auf andere Weise nicht auf ein Konstruktionsprinzip gekommen wären. Und diese Hinweise, die sich aus unserer Arbeit ergeben, sind keineswegs unbedingt Ideen, die bereits aus der Literatur bekannt waren oder auf die ein Experte einen hätte hinweisen können.“
„Dies ist eine schöne Kombination aus Konzepten aus Statistik, angewandter Mathematik und Naturwissenschaften, die für technische Anwendungen äußerst nützlich sein wird“, sagt George Schatz, Professor für Chemie sowie Chemie- und Bioingenieurwesen an der University of CaliforniaNordwestliche Universität, der mit dieser Arbeit nicht in Verbindung stand. Er sagt, diese Forschung befasst sich damit, „wie man maschinelles Lernen durchführt, wenn es mehrere Ziele gibt. Kuliks Ansatz verwendet modernste Methoden, um ein künstliches neuronales Netzwerk zu trainieren, das verwendet wird, um vorherzusagen, welche Kombination aus Übergangsmetallionen und organischen Liganden für Redox-Flow-Batterieelektrolyte am besten geeignet ist.“
Schatz sagt: „Diese Methode kann in vielen verschiedenen Kontexten eingesetzt werden und hat daher das Potenzial, maschinelles Lernen zu verändern, das weltweit eine wichtige Aktivität darstellt.“
Referenz: „Accurate Multiobjective Design in a Space of Millions of Transition Metal Complexes with Neural-Network-Driven Efficient Global Optimization“ von Jon Paul Janet, Sahasrajit Ramesh, Chenru Duan und Heather J. Kulik, 11. März 2020,ACS Zentralwissenschaft.
DOI: 10.1021/acscentsci.0c00026
Die Arbeit wurde vom Office of Naval Research, der Defense Advanced Research Projects Agency (DARPA), dem US-Energieministerium, dem Burroughs Wellcome Fund und dem AAAS Mar ion Milligan Mason Award.
Verpassen Sie keinen Durchbruch:
Folgen Sie uns weiterUndGoogle News.
Aktie.
