Diseñar los mejores bloques de construcción moleculares para los componentes de la batería es como tratar de crear una receta para un nuevo tipo de pastel, cuando tienes miles de millones de ingredientes potenciales. El desafío consiste en determinar qué ingredientes funcionan mejor juntos, o, más simplemente, producirun producto comestible o, en el caso de las baterías, seguro. Pero incluso con las supercomputadoras de última generación, los científicos no pueden modelar con precisión las características químicas de cada molécula que podría ser la base de una próxima generaciónmaterial de la batería.
En cambio, los investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. DOE han recurrido al poder del aprendizaje automático y la inteligencia artificial para acelerar drásticamente el proceso de descubrimiento de baterías.
Como se describe en dos nuevos documentos, los investigadores de Argonne crearon primero una base de datos altamente precisa de aproximadamente 133,000 moléculas orgánicas pequeñas que podrían formar la base de los electrolitos de la batería. Para ello, utilizaron un modelo computacionalmente intensivo llamado G4MP2. Esta colección de moléculas,sin embargo, representaba solo un pequeño subconjunto de 166 mil millones de moléculas más grandes que los científicos querían investigar para candidatos a electrolitos.
Debido a que el uso de G4MP2 para resolver cada una de las 166 mil millones de moléculas habría requerido una cantidad imposible de tiempo de computación y potencia, el equipo de investigación usó un algoritmo de aprendizaje automático para relacionar las estructuras precisamente conocidas del conjunto de datos más pequeño con estructuras mucho más modeladasdel conjunto de datos más grande.
"Cuando se trata de determinar cómo funcionan estas moléculas, hay grandes compensaciones entre la precisión y el tiempo que lleva calcular un resultado", dijo Ian Foster, director de la división de Ciencia y Aprendizaje de Datos de Argonne y autor de uno de los artículos ".Creemos que el aprendizaje automático representa una forma de obtener una imagen molecular que es casi tan precisa a una fracción del costo computacional ".
Para proporcionar una base para el modelo de aprendizaje automático, Foster y sus colegas utilizaron un marco de modelado menos exigente computacionalmente basado en la teoría funcional de densidad, un marco de modelado mecánico cuántico utilizado para calcular la estructura electrónica en sistemas grandes. La teoría funcional de densidad proporciona una buena aproximaciónde propiedades moleculares, pero es menos preciso que G4MP2.
Refinando el algoritmo para determinar mejor la información sobre la clase más amplia de moléculas orgánicas implicaba comparar las posiciones atómicas de las moléculas calculadas con el G4MP2 altamente preciso en comparación con las analizadas usando solo teoría funcional de densidad. Al usar G4MP2 como estándar de oro, los investigadores pudieronentrenar el modelo de teoría funcional de densidad para incorporar un factor de corrección, mejorando su precisión y manteniendo bajos los costos computacionales
"El algoritmo de aprendizaje automático nos da una forma de ver la relación entre los átomos en una molécula grande y sus vecinos, para ver cómo se unen e interactúan, y buscar similitudes entre esas moléculas y otras que conocemos bastante bien".dijo Logan Ward, científico computacional de Argonne, autor de uno de los estudios: "Esto nos ayudará a hacer predicciones sobre las energías de estas moléculas más grandes o las diferencias entre los cálculos de alta y baja precisión".
"Todo este proyecto está diseñado para darnos la mejor imagen posible de los candidatos a electrolitos de batería", agregó el químico de Argonne Rajeev Assary, autor de ambos estudios. "Si vamos a utilizar una molécula para aplicaciones de almacenamiento de energía, necesitamosconocemos propiedades como su estabilidad, y podemos usar este aprendizaje automático para predecir propiedades de moléculas más grandes con mayor precisión ".
Un artículo que describe la formación del conjunto de datos basado en G4MP2, "Energías químicas cuánticas precisas para 133,000 moléculas orgánicas", apareció en la edición en línea del 27 de junio de Ciencia química .
Un segundo artículo que describe el algoritmo de aprendizaje automático, "Predicción de aprendizaje automático de energías de atomización precisas de moléculas orgánicas a partir de cálculos químicos cuánticos de baja fidelidad", apareció en la edición del 27 de agosto de Comunicaciones MRS .
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Argonne . Original escrito por Jared Sagoff. Nota: El contenido puede ser editado por estilo y longitud.
Referencias de revistas :
Cita esta página :