Construindo uma bateria melhor com o aprendizado de máquina

[bloco]

Projetar os melhores blocos de construção moleculares para componentes de bateria é como tentar criar uma receita para um novo tipo de bolo, quando você tem bilhões de ingredientes em potencial.

O desafio envolve determinar quais ingredientes funcionam melhor juntos – ou, mais simplesmente, produzir um produto comestível (ou, no caso de baterias, um seguro).

Mas mesmo com os supercomputadores de ponta, os cientistas não podem modelar com precisão as características químicas de cada molécula que poderia provar ser a base de um material de bateria da próxima geração.

Em vez disso, pesquisadores do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) se voltaram para o poder do aprendizado de máquina e da inteligência artificial para acelerar drasticamente o processo de descoberta de baterias.

Conforme descrito em dois novos artigos, os pesquisadores de Argonne criaram um banco de dados altamente preciso de aproximadamente 133.000 pequenas moléculas orgânicas que poderiam formar a base dos eletrólitos da bateria.

Para isso, eles usaram um modelo computacionalmente intensivo chamado G4MP2. Essa coleção de moléculas, no entanto, representava apenas um pequeno subconjunto de 166 bilhões de moléculas maiores que os cientistas queriam pesquisar por candidatos a eletrólitos.

Como o uso do G4MP2 para resolver cada uma das 166 bilhões de moléculas exigiria uma quantidade impossível de tempo e energia de computação, a equipe de pesquisa usou um algoritmo de aprendizado de máquina para relacionar as estruturas conhecidas com precisão do conjunto de dados menor com estruturas muito mais grosseiras do conjunto de dados maior.

“Quando se trata de determinar como essas moléculas funcionam, existem grandes vantagens entre a precisão e o tempo necessário para calcular um resultado”, disse Ian Foster, diretor da divisão de Ciência e Aprendizagem de Dados da Argonne e autor de um dos artigos.

Leia também:  Estudo clínico descobre que comer em uma janela de 10 horas pode ajudar a evitar diabetes e doenças cardíacas!

“Acreditamos que o aprendizado de máquina representa uma maneira de obter uma imagem molecular quase tão precisa por uma fração do custo computacional”.

Para fornecer uma base para o modelo de aprendizado de máquina, Foster e seus colegas usaram uma estrutura de modelagem menos tributável computacionalmente baseada na teoria funcional da densidade, uma estrutura de modelagem mecânica quântica usada para calcular a estrutura eletrônica em grandes sistemas.

A teoria funcional da densidade fornece uma boa aproximação das propriedades moleculares, mas é menos precisa que o G4MP2.

O aprimoramento do algoritmo para melhor obter informações sobre a classe mais ampla de moléculas orgânicas envolveu comparar as posições atômicas das moléculas calculadas com o G4MP2 altamente preciso em comparação com as analisadas usando apenas a teoria funcional da densidade.

Usando o G4MP2 como padrão-ouro, os pesquisadores puderam treinar o modelo da teoria funcional da densidade para incorporar um fator de correção, melhorando sua precisão e mantendo baixos os custos computacionais.

[/bloco][bloco]

O algoritmo de aprendizado de máquina

“O algoritmo de aprendizado de máquina nos dá uma maneira de analisar a relação entre os átomos de uma molécula grande e seus vizinhos, para ver como eles se ligam e interagem, e procurar similaridades entre essas moléculas e outras que conhecemos muito bem”, disse Argonne. cientista computacional Logan Ward, autor de um dos estudos.

“Isso nos ajudará a fazer previsões sobre as energias dessas moléculas maiores ou as diferenças entre os cálculos de baixa e alta precisão”.

“Todo esse projeto foi projetado para nos dar a maior imagem possível dos candidatos a eletrólitos de bateria”, acrescentou o químico de Argonne Rajeev Assary, autor de ambos os estudos.

“Se vamos usar uma molécula para aplicações de armazenamento de energia, precisamos conhecer propriedades como sua estabilidade, e podemos usar esse aprendizado de máquina para prever com mais precisão as propriedades de moléculas maiores”.

Leia também:  Dando aos robôs uma compreensão mais rápida

Um artigo descrevendo a formação do conjunto de dados baseado em G4MP2, “Energias químicas quânticas precisas para 133.000 moléculas orgânicas”, apareceu na edição on-line de 27 de junho da Chemical Science .

Um segundo artigo descrevendo o algoritmo de aprendizado de máquina.

“Previsão de aprendizado de máquina de energias precisas de atomização de moléculas orgânicas a partir de cálculos químicos quânticos de baixa fidelidade”, apareceu na edição de 27 de agosto da MRS Communications .

[/bloco]

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *