Uczenie maszynowe służy do przewidywania syntezy złożonych nowych materiałów

Naukowcy i instytucje każdego roku przeznaczają coraz więcej zasobów na odkrywanie nowych materiałów do wyżywienia świata. Wraz z malejącymi zasobami naturalnymi i rosnącym zapotrzebowaniem na produkty o wyższej wartości i zaawansowanych parametrach, naukowcy coraz częściej poszukują nanomateriałów.

Nanocząstki znalazły już zastosowanie w zastosowaniach, od przechowywania i konwersji energii po obliczenia kwantowe i terapię. Jednak biorąc pod uwagę rozległą syntezę kompozycyjną i strukturalną, nanochemia umożliwia identyfikację seryjnych podejść eksperymentalnych nowy materiał Nakładanie nieprzezwyciężalnych ograniczeń na odkrywanie.

Teraz naukowcy z Northwestern University i Toyota Research Institute (TRI) z powodzeniem zastosowali nauczanie maszynowe Kierowanie syntezą nowych nanomateriałów, usuwanie barier związanych z odkrywaniem materiałów. Wysoko wyszkolony algorytm został przesiany przez określony zestaw danych, aby dokładnie przewidzieć nowe struktury, które mogłyby napędzać procesy w przemyśle czystej energii, chemicznym i motoryzacyjnym.

„Poprosiliśmy model, aby powiedział nam, jakie mieszaniny do siedmiu pierwiastków dałyby coś, czego wcześniej nie wytwarzano” – powiedział Chad Mirkin, ekspert ds. nanotechnologii w Northwestern i autor korespondencyjny artykułu. „Maszyna przewidziała 19 możliwości, a po empirycznym przetestowaniu każdej z nich stwierdziliśmy, że 18 z przewidywań było poprawnych”.

Badanie „Accelerated Design for Machine Learning and Synthesis of Multi-Element Heterostructures” zostanie opublikowane 22 grudnia w czasopiśmie. postęp naukowy.

Mirkin profesor chemii George’a B. Rathman w Weinberg College of Arts and Sciences. profesor inżynierii chemicznej, biologicznej i biomedycznej oraz Inżynieria materiałowa i inżynieria w McCormick College of Engineering; i profesor medycyny w Feinberg School of Medicine. Jest także dyrektorem założycielem Międzynarodowego Instytutu Nanotechnologii.

Mapowanie materiału genomowego

Według Mirkina to, co sprawia, że ​​jest to tak ważne, to dostęp do zbiorów danych o niespotykanie wysokiej jakości, ponieważ modele uczenia maszynowego i algorytmy sztucznej inteligencji mogą być tylko tak dobre, jak dane wykorzystywane do ich trenowania.

Mirkin wynalazł narzędzie do generowania danych, zwane Biblioteką Megalla, które znacznie poszerza pole widzenia badacza. Każda ogromna biblioteka zawiera miliony, a nawet miliardy nanostruktur, z których każda ma nieco odmienny kształt, strukturę i skład, wszystkie miejscowo zakodowane na chipie o wymiarach 2 x 2 cm2. Jak dotąd każdy slajd zawiera więcej nowych materiałów nieorganicznych niż kiedykolwiek wcześniej zebranych i sklasyfikowanych przez naukowców.

Zespół Mirkina opracował biblioteki Megal przy użyciu technologii (również wynalezionej przez Mirkina) zwanej polimerową litografią pisaków, wielkoskalową równoległą nanolitografią, która umożliwia osadzanie setek tysięcy obiektów w ciągu sekundy.

Podczas przypisywania pliku ludzkie genyUczeni mieli za zadanie zidentyfikować zestawy czterech zasad. Ale luźno synonimiczny „genom materiałów” obejmuje klastry nanocząstek dowolnego ze 118 użytecznych pierwiastków w układzie okresowym, a także parametry kształtu, rozmiaru, morfologii faz, struktury krystalicznej i nie tylko. Budowanie mniejszych podzbiorów nanocząstek w ogromne biblioteki przybliży naukowców do ukończenia kompletnej mapy genomu materiałów.

Nawet w przypadku czegoś podobnego do „genomu” materiałów, powiedział Mirkin, podjęcie decyzji, jak ich użyć lub sklasyfikować, wymaga różnych narzędzi.

„Nawet gdybyśmy mogli wytwarzać materiały szybciej niż ktokolwiek na Ziemi, nadal byłaby to kropla wody w potencjalnym oceanie” – powiedział Mirkin. „Chcemy zdefiniować genom materiałów i je wydobyć, a sposób, w jaki to robimy, opiera się na sztucznej inteligencji”.

Aplikacje uczenia maszynowego idealnie nadają się do rozwiązywania złożoności identyfikacji i eksploracji genomów materiałowych, ale rządzą nimi możliwość tworzenia zestawów danych w celu uczenia algorytmów w kosmosie. Merkin powiedział, że połączenie bibliotek Megal i uczenia maszynowego może w końcu wyeliminować ten problem, prowadząc do zrozumienia parametrów, które decydują o właściwościach niektórych materiałów.

Substancje, których żaden chemik nie jest w stanie przewidzieć.

Jeśli megabiblioteki udostępniają mapę, uczenie maszynowe zapewnia legendę.

Korzystanie z bibliotek Megal jako źródła wysokiej jakości danych materiałowych na dużą skalę do celów szkoleniowych Sztuczna inteligencja Według Mirkina algorytmy (AI) umożliwiają naukowcom odejście od „silnej chemicznej intuicji” i sekwencyjnych eksperymentów, które zwykle towarzyszą procesowi odkrywania materiału.

„Northwestern dysponuje najnowocześniejszymi możliwościami montażu i charakteryzowania w celu określenia struktury naszych materiałów” – powiedział Mirkin. „Pracowaliśmy z zespołem AI w TRI, aby stworzyć dane wejściowe dla algorytmów sztucznej inteligencji, które ostatecznie stworzyły te prognozy dotyczące materiałów, których żaden chemik nie był w stanie wytworzyć”.

W ramach badań zespół zsyntetyzował dane strukturalne wcześniej wygenerowane w bibliotece Megal składającej się z nanocząstek o złożonym składzie, strukturze, rozmiarach i kształtach. Wykorzystali te dane do trenowania modelu i poprosili go o przewidzenie kombinacji czterech, pięciu i sześciu elementów, które doprowadziłyby do określonej cechy strukturalnej. W 19 przewidywaniach model uczenia maszynowego poprawnie przewidział nowy materiał 18 razy – z dokładnością prawie 95%.

Przy niewielkiej wiedzy z zakresu chemii lub fizyki, wykorzystując jedynie dane szkoleniowe, model był w stanie dokładnie przewidzieć złożone struktury, które nigdy nie istniały na Ziemi.

„Jak sugerują te dane, zastosowanie uczenia maszynowego w połączeniu z technologią megabiblioteczną może być sposobem na ostateczne zidentyfikowanie genomów materiałów” – powiedział Joseph Montoya, starszy badacz z TRI.

Nanocząstki metali dają nadzieję na katalizowanie krytycznych reakcji przemysłowych, takich jak wydzielanie wodoru i dwutlenku węgla (CO).₂) Redukcja i redukcja tlenu oraz jej ewolucja. Model został przeszkolony na dużym zbiorze danych zbudowanym na północnym zachodzie w celu poszukiwania nanocząstek polimetalicznych o określonych parametrach dotyczących fazy, rozmiaru, wymiarów i innych cech strukturalnych, które zmieniają właściwości i funkcję nanocząstek.

Technologia megabiblioteczna może również prowadzić do odkryć w wielu obszarach krytycznych dla przyszłości, w tym recyklingu tworzyw sztucznych, ogniw słonecznych, nadprzewodników i kubitów.

Narzędzie, które z czasem działa lepiej

Przed pojawieniem się ogromnych bibliotek narzędzia do uczenia maszynowego były szkolone na niekompletnych zestawach danych gromadzonych przez różne osoby w różnym czasie, co ograniczało ich przewidywalność i uogólnianie. Biblioteki Megal pozwalają narzędziom uczenia maszynowego robić to, co robią najlepiej – uczyć się i z czasem stawać się coraz mądrzejszy. Mirkin powiedział, że ich model będzie tylko lepszy w przewidywaniu właściwych obiektów, ponieważ jest zasilany bardziej wysokiej jakości danymi gromadzonymi w kontrolowanych warunkach.

„Stworzenie tej możliwości AI polega na przewidywaniu, jakie materiały są potrzebne do dowolnego zastosowania” – powiedział Montoya. „Im więcej mamy danych, tym większą mamy moc predykcyjną. Kiedy zaczynasz trenować sztuczną inteligencję, zaczynasz ją lokalizować na jednym zestawie danych, a gdy się uczy, dodajesz coraz więcej danych – to jak zabieranie dziecka i przechodzenie od przedszkola do doktoratu Połączone doświadczenie i wiedza ostatecznie określa, jak daleko mogą się posunąć.”

Zespół wykorzystuje teraz to podejście do znalezienia kluczowych katalizatorów dla procesów paliwowych w przemyśle czystej energii, motoryzacyjnym i chemicznym. Identyfikacja nowych ekologicznych katalizatorów umożliwi konwersję produktów odpadowych i obfitych surowców w użyteczny materiał, wytwarzanie wodoru, wykorzystanie dwutlenku węgla i rozwój ogniw paliwowych. Wytworzone katalizatory można również wykorzystać do zastąpienia drogich i rzadkich materiałów, takich jak iryd, metal używany do wytwarzania zielonego wodoru i dwutlenku węgla.₂ produkty rabatowe.