网站首页

(来源:阿尔贡官方网站)

设计电池组件的最佳分子组成是一项复杂的任务。这就像是基于数十亿种潜在成分创造出一种新的蛋糕配方。设计师需要面对许多挑战，例如确定哪些成分最适合混合在一起。此外，即使有最先进的超级计算机，科学家也无法精确地模拟每个分子的化学特征来证明它可以成为下一代电池材料的基础。

据外国媒体报道，美国能源部阿尔贡国家实验室的研究人员在机器学习和人工智能的帮助下，大大加快了电池的研发进程。首先，研究人员通过G4MP2计算密集型模型建立了一个高度精确的数据库，其中包含约133，000个有机小分子，可能构成电池的基本电解质。然而，这些只是科学家们想要研究的1660亿大分子中的一小部分。为了节省计算时间和能量，研究小组使用机器学习算法将小数据集中精确的已知结构与大数据集中较粗糙的建模结构联系起来。阿尔贡数据科学与学习部门的负责人伊恩·福斯特说:“我们认为机器学习代表了一种方法。只需很小一部分计算成本就能获得近乎精确的分子图像。”

为了给机器学习模型打下基础，福斯特和他的同事们采用了一种基于密度泛函理论的计算量较少的建模框架，通过该框架计算大规模系统中的电子结构。密度泛函理论能更好地解释分子性质，但不如G4MP2精确。

为了更好、更广泛地了解有机分子的信息，有必要使用高精度的G4MP2来计算分子中原子的位置，并将其与仅用密度泛函理论分析的分子进行比较，以改进算法。研究人员以G4MP2为标准训练了密度泛函理论模型，并增加了修正因子，降低了计算成本，提高了精度。

Argonne计算科学家LoganWard说:“机器学习算法为我们提供了一种研究大分子中的原子和它们的邻居之间的关系的方法，了解它们是如何结合和相互作用的，并发现这些分子和我们熟知的其他分子之间的相似之处。在此基础上，我们可以预测大分子的能量，或高精度计算和低精度计算之间的差异。”

阿贡化学家拉吉·瓦萨里(RajeevAssary)说:“我们正在启动这个项目，希望获得最大可能的电池电解液候选成分的图像。要将分子用于储能应用，我们需要了解它的性质，如稳定性。通过机器学习，我们可以更准确地预测大分子的性质。”

*特别声明:本文是一篇技术性文章。禁止转载或大量摘录！非法转载，必须依法查处。

• 上一篇：俞永福接替蔡崇信肖鹏汽车董事会调整
• 下一篇：DNA存储的重大进展有望实现商业化