En beräkningsstrategi för att hitta nya optimerade strukturer för organiska redoxflödesbatterier. Kredit:Sowndarya S. V. et al.
De senaste framstegen inom utvecklingen av maskininlärning och optimeringstekniker har öppnat nya och spännande möjligheter för att identifiera lämpliga molekylära konstruktioner, föreningar och kemiska kandidater för olika tillämpningar. Optimeringstekniker, av vilka några är baserade på maskininlärningsalgoritmer, är kraftfulla verktyg som kan användas för att välja optimala lösningar för ett givet problem bland en typiskt stor uppsättning möjligheter.
Forskare vid Colorado State University och National Renewable Energy Laboratory har tillämpat toppmoderna molekylära optimeringsmodeller på olika verkliga problem som innebär att identifiera nya och lovande molekylära konstruktioner. I deras senaste studie, presenterad i Nature Machine Intelligence , tillämpade de specifikt ett nyutvecklat ramverk för optimering med öppen källkod för uppgiften att identifiera livskraftiga organiska radikaler för vattenhaltiga redoxflödesbatterier, energienheter som omvandlar kemisk energi till elektricitet.
"Vårt projekt finansierades av ett ARPA-E-program som var ute efter att förkorta hur lång tid det tar att utveckla nya energimaterial med hjälp av maskininlärningsteknik", säger Peter C. St. John, en av forskarna som genomförde studien, till TechXplore . "Att hitta nya kandidater för redoxflödesbatterier var en intressant förlängning av en del av vårt tidigare arbete, inklusive en artikel publicerad i Nature Communications och en annan i Scientific Data , båda tittar på organiska radikaler."
Det nya ramverket skapat av St. John och hans kollegor var inspirerat av deras tidigare arbete med molekylär optimering. Ramverket består i huvudsak av artificiell intelligens (AI)-verktyget AlphaZero, utvecklat av DeepMind, tillsammans med en snabb maskininlärningsmodell, som består av två grafiska neurala nätverk tränade på nästan 100 000 kvantkemi-simuleringar.
Det första av grafens neurala nätverk tränades för att förutsäga oxidations- och reduktionspotentialer, två viktiga parametrar för att bestämma hur mycket energi som kan lagras i vattenhaltiga redoxflödesbatterier. Den andra förutsäger tätheten av elektroner och den lokala 3D-miljön, som båda har visat sig vara associerade med livslängden för dessa batterier.
"Vi poserar molekyloptimering som en trädsökning, där vi bygger molekyler genom att lägga till komponenter iterativt på en växande struktur," förklarade St. John. "Fördelen med detta tillvägagångssätt är att vi kan beskära stora grenar av sökutrymmet där molekyler börjar visa understrukturer som är orealistiska. Vi kan därför begränsa vårt sökutrymme till endast molekyler som uppfyller en förutbestämd uppsättning enkla kriterier."
Forskarna använde sitt ramverk för molekylär optimering för att köra en serie tester som syftade till att identifiera möjliga organiska radikaler för vattenhaltiga redoxflödesbatterier som kan vara särskilt stabila och lovande. Ramverket identifierade framgångsrikt flera molekylära kandidater som uppfyllde en specifik kombination av kriterier som definierats av St. John och hans kollegor.
"Vi visade att uppsättningen av möjliga kandidater för en viss typ av laddningsbärare i organiska redoxflödesbatterier kan vara större än tidigare ansett," sa St. John. "Vi visade också att molekyler kan hittas som kan leda till enklare, högpresterande batterier utan att behöva använda övergångsmetaller."
Hittills har optimeringsramverket som utvecklats av detta team av forskare visat sig vara ett mycket lovande verktyg för att ta itu med komplexa verkliga problem relaterade till teknik och kemi. I framtiden skulle den således kunna användas för att identifiera nya önskvärda föreningar och molekylära kandidater för många olika teknologier, inklusive vattenhaltiga redoxflödesbatterier.
"Vi skulle nu vilja utforska att lägga till ytterligare kriterier som löslighet och redoxpar mellan laddade tillstånd," tillade St. John. "Detta skulle kräva ytterligare utbildningsdata, men det kan leda till mer lovande kandidatstrukturer." + Utforska vidare
© 2022 Science X Network
