公司新闻

实现“大海捞针”!这种神经网络筛选近300万种候选新材料仅需5周

作者: 发布时间:2020-04-01

434

新资料的发现是一种困难的作业。当查找特定运用中或许呈现的新资料的理论列表时,比方电池或其他与动力相关的设备,一般稀有百万种或许的资料需求考虑,并且需求一起满意和优化多个规范。

现在,麻省理工学院的研讨人员发现了一种运用机器学习体系极大地简化发现进程的办法。

作为演示,该团队从近300万种候选资猜中选出了八种最有出路的资料,用于一种名为“活动电池”的储能体系。

他们说,依照传统的剖析办法,这种挑选进程需求50年的时刻,但他们只用了5周就完成了。

这项研讨成果宣布在《美国化学学会中心科学》( ACS Central Science)杂志上,由麻省理工学院化学工程教授Heather Kulik,Jon Paul Janet,Sahasrajit Ramesh和研讨生Chenru Duan一起编撰的一篇论文中。

这项研讨调查了一组被称为过渡金属合作物的资料。

它们能够以很多不同的方式存在,Kulik说,它们是“十分诱人的功能性资料,不同于许多其他物质相。了解它们为何如此运作的仅有办法便是用量子力学来研讨它们。”

要猜测这数百万种资猜中的任何一种的性质,要么需求耗时且资源密布的光谱学和其他试验室作业,要么需求耗时且高度杂乱的根据物理的计算机建模,以便对每一种或许的候选资料或资料组合进行建模。

每一项这样的研讨或许要花费数小时到数天的作业时刻。

相反,Kulik和她的团队选取了少数不同的或许资料,并运用它们来教授一种先进的机器学习神经网络,了解资料的化学成分与其物理性质之间的联系。然后,他们将这些常识运用于生成下一代或许用于下一轮神经网络练习的资料的主张。

经过这一进程的接连四次迭代,神经网络每次都有明显的改善,直到到达一个临界点,即进一步的迭代不会发作任何进一步的改善。

这个迭代优化体系极大地简化了取得满意两个彼此抵触的规范的潜在处理方案的进程。

这种状况下寻觅最佳处理方案的进程被称为帕累托前沿(Pareto front),在这种状况下,改善一个要素往往会使另一个要素变得更糟。帕累托前沿表明的是一个抱负状况,便是不或许再有更多的帕累托改善的地步。

这代表了或许的最佳折衷点,这取决于分配给每个要素的相对重要性。

练习典型的神经网络需求十分大的数据集,规划从数千到数百万的比如,可是Kulik和她的团队能够运用这个根据Pareto front模型的迭代进程来简化这个进程,并且只运用几百个样本就能够供给牢靠的成果。

在挑选活动电池资料的状况下,所期望的特性是抵触的,这是常常发作的状况:最佳资料将具有高溶解度和高能量密度(为给定分量贮存能量的才能)。

可是添加溶解度会下降能量密度,反之亦然。

神经网络不只能够快速地提出有期望的候选方针,并且还能够在每次迭代中为其不同的猜测分配置信水平,这有助于在每一步中对样本挑选进行细化。

Kulik说:“咱们开发了一种比同类中最好的不确定性量化技能更好的办法,能够真实知道这些模型什么时候会失利。”

他们在概念验证试验中挑选的应战是用于氧化复原流电池的资料,氧化复原流电池是一种有望用于大型电网规划电池的电池,它能够在清洁、可再生动力的发展中发挥重要作用。

Kulik说,过渡金属合作物是制作这种电池的首选资料,但用传统办法进行评价的或许性太多了。

他们一开始列出了300万个这样的复合体,然后终究将其削减到8个好的候选方针,并拟定了一套规划规矩,使试验人员能够探究这些候选方针的潜力及其改变。

她说,除了主张运用该体系进行进一步研讨的特定过渡金属合作物外,该办法自身或许具有更广泛的运用。

“咱们以为它是一个结构,能够运用于任何资料规划的应战,你真的企图一起处理多个方针。你知道,一切最风趣的资料规划应战都是这样的:你有一件事想要改善,但改善了又会使另一件事变得更糟。

”对咱们来说,氧化复原流电池氧化复原耦合仅仅一个很好的展现,咱们以为咱们能够持续运用这种机器学习技能,加快新资料的发现。”

例如,为各种化学和工业进程优化催化剂是另一种杂乱的资料查找,Kulik说。

现在运用的催化剂往往含有稀有和贵重的元素,因而根据丰厚和廉价的资料寻觅相似有用的化合物或许是一个严重优势。

“这是统计学、运用数学和物理科学概念的完美结合,将在工程运用中十分有用,”西北大学(Northwestern University)化学和化学与生物工程教授George Schatz说,他没有参加这项研讨。

他说,这项研讨处理了“当有多个方针时怎么进行机器学习”的问题。

这项作业得到了水兵研讨办公室、美国国防部高档研讨方案局(DARPA)、美国动力部、Burroughs Wellcome基金和AAAS Mar ion Milligan Mason奖的支撑。

原文来历:

http://news.mit.edu/2020/neural-networks-optimize-materials-search-0326