Исследователи из Массачусетского технологического института использовали нейронные сети для поиска новых материалов. При поиске новых материалов для различных энергетических устройств, включая аккумуляторные батареи, уходит много времени на подбор потенциальных веществ. Требуется рассматривать множество критериев. Для оптимизации и упрощения этого процесса в Массачусетском технологическом институте стали использовать нейронные сети.
Из трёх миллионов потенциальных материалов они отобрали восемь наиболее перспективных для новой аккумуляторной батареи. Как сообщают исследователи, если бы они использовали стандартные аналитические методы, то им потребовалось на это около 50 лет. Благодаря использованию нейронных сетей им удалось завершить процесс за 5 недель. Сообщение об этом опубликовал журнал ACS Central Science. Авторами исследования стали Хизер Кулик, Джон Пола Джанета, Сахасраджит Рамеш и Ченру Дуана.
Исследователи рассматривали материалы, которые называются переходными металлами. Они могут существовать в различных формах. Чтобы сделать прогноз свойств всех отбираемых материалов требуется спектроскопия и прочее работы в лабораторных условиях. Возможно также проведение сложного компьютерного моделирования, основанного на физических свойствах всех потенциальных материалов. Каждое подобное исследование занимает у специалистов от нескольких часов до нескольких дней. При рассмотрении миллионов потенциально возможных материалов на такую работу требуются десятки лет.
Сначала ученые отобрали некоторое количество разных материалов, и с их помощью обучили продвинутую нейронную сеть. Они заложили в неё взаимосвязь химического состава и физических свойств материалов. После этого была запущена генерация возможных материалов для следующего поколения аккумуляторных батарей. Полученные данные были использованы для следующего этапа обучения нейронной сети. Всего было сделано четыре подобных этапа.
Вообще, обучение стандартных нейронных сетей требует крупных массивов информации. Входные данные бывают от тысяч до миллионов образцов. Однако исследователям Массачусетского института удалось использовать процесс итераций, основанный на модели фронта Pareto. При этом использовалось всего несколько сотен образцов. В качестве основных требований к материалу предъявлялись высокая растворимость и энергетическая плотность. Причём эти характеристики вступают в противоречие друг с другом. То есть, нужен был вариант, имеющий оптимальное сочетание этих свойств.
Нейронная сеть не только предлагала материалы, но также показывала уровень достоверности своих предположений. Благодаря этому исследователи усовершенствовали выборку материалов на каждом этапе. Материалы подбирались для использования в аккумуляторных батареях окислительно-восстановительного типа. Это перспективный вид батарей, которые могут сыграть существенную роль в развитии возобновляемой энергетики.
Предпочтительными для использования в таких аккумуляторах являются переходные металлы. В конечном итоге ученые получили 8 отобранных кандидатов на роль материалов. Кроме того, были установлены правила, позволяющие изучить потенциал использования этих материалов и их вариаций.
Методика имеет более широкие возможности, чем просто отбор определённых комплексов переходных металлов. Сами ученые рассматривают её в качестве основы, которую можно использовать в любых задачах по подбору материалов. На примере окислительно-восстановительного аккумулятора методика продемонстрировала высокую скорость подбора по сравнению со стандартными методами.
Методика может быть использована для оптимизации материалов катализаторов, используемых в различных химических производственных процессах. Большинство используемых сейчас катализаторов имеет в своём составе редкие дорогие элементы. Поэтому востребован поиск им на замену недорогих и распространенных веществ.
Специалисты многих научно-исследовательских учреждений уже согласились с тем, что новый метод может быть использован в самых разных направлениях, где используется машинное обучение. Проведенную работу поддержали Агентство перспективных исследовательских проектов в области обороны, Управление военно-морских исследований, Министерство энергетики США и ряд других организаций.
