Att designa de bästa molekylära byggstenarna för batterikomponenter är som att försöka skapa ett recept på en ny typ av tårta, när du har miljarder potentiella ingredienser. Utmaningen innebär att bestämma vilka ingredienser som fungerar bäst tillsammans - eller enklare, producera en ätbar (eller när det gäller batterier, en säker) produkt. Men även med toppmoderna superdatorer, forskare kan inte exakt modellera de kemiska egenskaperna hos varje molekyl som kan visa sig vara grunden för ett nästa generations batterimaterial.

Istället, forskare vid US Department of Energy's (DOE) Argonne National Laboratory har vänt sig till kraften i maskininlärning och artificiell intelligens för att dramatiskt påskynda processen för upptäckt av batterier.

Som beskrivs i två nya tidningar, Argonne -forskare skapade först en mycket exakt databas med ungefär 133, 000 små organiska molekyler som kan ligga till grund för batterielektrolyter. Att göra så, de använde en beräkningsmässigt intensiv modell som heter G4MP2. Denna samling av molekyler, dock, representerade endast en liten delmängd av 166 miljarder större molekyler som forskare ville undersöka för elektrolytkandidater.

Eftersom att använda G4MP2 för att lösa var och en av de 166 miljarder molekylerna skulle ha krävt en omöjlig mängd datortid och kraft, forskargruppen använde en algoritm för maskininlärning för att relatera de exakt kända strukturerna från den mindre datamängden till mycket mer grovmodellerade strukturer från den större datamängden.

"När det gäller att bestämma hur dessa molekyler fungerar, det finns stora avvägningar mellan noggrannhet och den tid det tar att beräkna ett resultat, "sade Ian Foster, Argonne Data Science and Learning divisionsdirektör och författare till en av tidningarna. "Vi tror att maskininlärning representerar ett sätt att få en molekylär bild som är nästan lika exakt till en bråkdel av beräkningskostnaden."

För att ge en grund för maskininlärningsmodellen, Foster och hans kollegor använde ett mindre beräkningsmässigt beskattande modelleringsramverk baserat på densitetsteori, ett kvantmekaniskt modelleringsramverk som används för att beräkna elektronisk struktur i stora system. Densitet funktionell teori ger en bra approximation av molekylära egenskaper, men är mindre exakt än G4MP2.

Förfina algoritmen för att bättre ta reda på information om den bredare klassen av organiska molekyler som involverar att jämföra atompositionerna för molekylerna som beräknats med den mycket exakta G4MP2 jämfört med de som analyserats med användning av endast densitetsfunktionell teori. Genom att använda G4MP2 som en guldstandard, forskarna kunde träna densitetsfunktionell teorimodell för att införliva en korrigeringsfaktor, förbättra dess noggrannhet samtidigt som beräkningskostnaderna hålls nere.

"Maskininlärningsalgoritmen ger oss ett sätt att titta på förhållandet mellan atomerna i en stor molekyl och deras grannar, för att se hur de binder och interagerar, och leta efter likheter mellan dessa molekyler och andra vi känner ganska väl, "sade Argonne beräkningsvetare Logan Ward, författare till en av studierna. "Detta kommer att hjälpa oss att göra förutsägelser om energierna i dessa större molekyler eller skillnaderna mellan beräkningarna med låg och hög noggrannhet."

"Hela det här projektet är utformat för att ge oss den största möjliga bilden av batterielektrolytkandidater, "tillade Argonne -kemisten Rajeev Assary, författare till båda studierna. "Om vi ​​ska använda en molekyl för energilagringsapplikationer, vi behöver känna till egenskaper som dess stabilitet, och vi kan använda denna maskininlärning för att förutsäga egenskaper hos större molekyler mer exakt. "

Ett papper som beskriver bildandet av den G4MP2-baserade datamängden, "Exakta kvantkemiska energier för 133, 000 organiska molekyler, "dök upp i online -numret av den 27 juni Kemisk vetenskap .

Ett andra papper som beskriver algoritmen för maskininlärning, "Maskininlärningsprognos av exakta atomiseringsenergier för organiska molekyler från kvantkemiska beräkningar med låg trohet, "dök upp i 27 augusti -numret av MRS Communications .