准确率达 95%,机械进修预计复杂新资料合成

编辑/绿萝科学家和机构每年都投入非常多的资源来发觉新资料,以期为燃料提供催化剂。随着自然资源的减少,以及对更高价值和先进性能产品的需求增长,钻研职员越来越多地关注到纳米资料。但识别新资料的连续尝试方法对资料发觉施加了不可逾越的限制。近日,美国西北大学和丰田钻研所(TRI)的钻研职员应用机械进修来指导新纳米资料的合成,消除了资料发觉相关的障碍。这种训练有素的算法,可通过界说数据集来准确预计可用于清洁能源、化学和汽车行业燃料的重要催化剂。该钻研以「Machine learning–accelerated design

编辑/绿萝

科学家和机构每年都投入非常多的资源来发觉新资料,以期为燃料提供催化剂。随着自然资源的减少,以及对更高价值和先进性能产品的需求增长,钻研职员越来越多地关注到纳米资料。但识别新资料的连续尝试方法对资料发觉施加了不可逾越的限制。

近日,美国西北大学和丰田钻研所(TRI)的钻研职员应用机械进修来指导新纳米资料的合成,消除了资料发觉相关的障碍。这种训练有素的算法,可通过界说数据集来准确预计可用于清洁能源、化学和汽车行业燃料的重要催化剂。

该钻研以「Machine learning–accelerated design and synthesis of polyelemental heterostructures」为题,于 2021 年 12 月 22 日发表在《Science Advances》杂志上。

准确率达 95%,机械进修预计复杂新资料合成

西北大学纳米技术专家、该论文的通讯作者 Chad Mirkin 说:「我们让这个模型告诉我们,多达七种元素的混合物会可以制造出以前没有过的东西。机械预计了 19 种可能性,在对每种可能性进行尝试测试后,我们发觉其中 18 种预计是正确的。」

绘制资料基因组

Mirkin 此次发明的名为「Megalibrary」(巨库)的数据生成工具极大地扩展了钻研职员的视野。每个 Megalibrary 都包含数百万甚至数十亿个纳米布局,每个纳米布局的形状、布局和成分都略有不同,所有这些都在 2×2 平方厘米的芯片上进行了位置编码。迄今为止,每个芯片包含的新无机资料比科学家收集和分类的还要多。

Mirkin 的团队通过运用一种称为扫描探针嵌段共聚物光刻(SPBCL)的技术开发了 Megalibraries,这是一种大规模并行纳米光刻工具,能够每秒对数十万个特征进行特定位置的沉积。

准确率达 95%,机械进修预计复杂新资料合成

NP 数据集和模拟优化活动的统计数据。

在绘制人类基因组图谱时,科学家的任务是识别四种碱基的组合。但「资料基因组」包括元素周期表中任何可用的 118 种元素的纳米粒子组合,以及形状、大小、相形态、晶体布局等参数。以 Megalibraries 的形式构建更小的纳米粒子子集,将使钻研职员更接近完成资料基因组的完整图谱。

「即使我们能比地球上任何人都更快地制造资料,这仍然是可能性的海洋中的一滴水。」Mirkin 说。「我们想界说和挖掘资料基因组,我们的方法是通过人工智能。」

机械进修应用程序非常适合解决界说和挖掘资料基因组的复杂性,但受限于创建数据集以在空间中训练算法的能力。Mirkin 表示,Megalibraries 与机械进修的结合可能最终会解决这个问题,从而了解哪些参数会驱动某些资料特性。

化学家无法预计的资料

如果 Megalibraries 提供地图,则机械进修提供图例。

Mirkin 表示,运用 Megalibraries 作为用于训练 AI 算法的高质量和大规模资料数据的来源,使钻研职员能够摆脱通常伴随资料发觉过程而来的「敏锐的化学直觉」和连续尝试。

在这项钻研中,该团队编译了先前生成的由具有复杂成分、布局、尺寸和形态的纳米粒子组成的 Megalibrary 布局数据。他们运用这些数据来训练模型,并要求它预计会产生某种布局特征的四个、五个和六个元素的组成。在 19 次预计中,机械进修模型正确预计了 18 次新资料——准确率约为 95%。

准确率达 95%,机械进修预计复杂新资料合成

用于发觉四元金属 SINP 的闭环优化。

由于对化学或物理学知之甚少,仅运用训练数据,该模型就能够准确预计地球上从未存在过的复杂布局。

「正如这些数据所表明的,机械进修的应用,结合 Megalibrary 技术,可能是最终界说资料基因组的途径。」TRI 的高级钻研科学家 Joseph Montoya 说。

金属纳米粒子显示出催化工业关键反应的前景,例如析氢、二氧化碳(CO2)还原和氧还原和析出。该模型在西北大学建立的大型数据集上进行了训练,以寻找具有围绕相位、尺寸和其他布局特征设置参数的多金属纳米粒子,这些参数会改变纳米粒子的特性和功能。

Megalibrary 技术还可能推动对未来至关重要的许多领域的发觉,包括塑料升级回收、太阳能电池、超导体和量子比特。

该团队现在正在运用该方法寻找对清洁能源、汽车和化工行业的燃料过程至关重要的催化剂。确定新的绿色催化剂将使废物和大量原料转化为有用物质。生产催化剂还可用于替代昂贵且稀有的资料。

论文链接:https://www.science.org/doi/10.1126/sciadv.abj5505

相关报道:https://phys.org/news/2021-12-machine-synthesis-complex-materials.html

给TA打赏
共{{data.count}}人
人已打赏
AI

时隔五年,普林斯顿大学典范书《在线凸优化导论》第二版发表

2021-12-29 14:50:00

AI

AnchorDx通过鉴于深度进修的连续向量默示甲基化地区

2021-12-30 12:50:00

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
今日签到
有新私信 私信列表
搜索