Nanoingenjörer vid University of California San Diego har utvecklat nya modeller för djupinlärning som exakt kan förutsäga egenskaperna hos molekyler och kristaller. Genom att möjliggöra nästan omedelbara egenskapsförutsägelser, dessa djupinlärningsmodeller ger forskare möjlighet att snabbt skanna det nästan oändliga universum av föreningar för att upptäcka potentiellt transformativa material för olika tekniska tillämpningar, till exempel Li-ion-batterier med hög energidensitet, varmvita lysdioder, och bättre solceller.

För att konstruera sina modeller, ett team ledd av nanoteknikprofessor Shyue Ping Ong vid UC San Diego Jacobs School of Engineering använde ett nytt ramverk för djupinlärning som kallas grafnätverk, utvecklad av Google DeepMind, hjärnorna bakom AlphaGo och AlphaZero. Grafnätverk har potential att utöka kapaciteten hos befintlig AI-teknik för att utföra komplicerade inlärnings- och resonemangsuppgifter med begränsad erfarenhet och kunskap – något som människor är bra på.

För materialforskare som Ong, grafnätverk erbjuder ett naturligt sätt att representera bindningsförhållanden mellan atomer i en molekyl eller kristall och gör det möjligt för datorer att lära sig hur dessa samband relaterar till deras kemiska och fysikaliska egenskaper.

De nya grafnätverksbaserade modellerna, som Ongs team kallade MatErials Graph Network (MEGNet) modeller, överträffade det senaste när det gällde att förutsäga 11 av 13 fastigheter för de 133, 000 molekyler i QM9-datauppsättningen. Teamet tränade också MEGNet-modellerna på cirka 60, 000 kristaller i Materialprojektet. Modellerna överträffade tidigare maskininlärningsmodeller när det gällde att förutsäga bildningsenergierna, bandgap och elasticitetsmoduler hos kristaller.

Teamet visade också två metoder för att övervinna databegränsningar inom materialvetenskap och kemi. Först, teamet visade att grafnätverk kan användas för att förena flera gratis energimodeller, vilket resulterar i en mångfaldig ökning av träningsdata. Andra, de visade att deras MEGNet-modeller effektivt kan lära sig samband mellan element i det periodiska systemet. Denna maskininlärda information från en egenskapsmodell tränad på en stor datamängd kan sedan överföras för att förbättra träningen och noggrannheten hos egenskapsmodeller med mindre mängder data – detta koncept är känt inom maskininlärning som transfer learning.