Μηχανική μάθηση που χρησιμοποιείται για την πρόβλεψη σύνθεσης πολύπλοκων νέων υλικών


Μηχανική μάθηση που χρησιμοποιείται για την πρόβλεψη σύνθεσης πολύπλοκων νέων υλικών

Η μηχανική μάθηση επιτρέπει την ανακάλυψη υλικών. Πίστωση: Northwestern University

Επιστήμονες και ιδρύματα αφιερώνουν περισσότερους πόρους κάθε χρόνο στην ανακάλυψη νέων υλικών που θα τροφοδοτούν τον κόσμο. Καθώς οι φυσικοί πόροι μειώνονται και η ζήτηση για προϊόντα υψηλότερης αξίας και προηγμένης απόδοσης αυξάνεται, οι ερευνητές στρέφονται όλο και περισσότερο στα νανοϋλικά.


Τα νανοσωματίδια έχουν ήδη βρει το δρόμο τους σε εφαρμογές που κυμαίνονται από την αποθήκευση ενέργειας και τη μετατροπή έως τους κβαντικούς υπολογιστές και τη θεραπεία. Όμως, δεδομένης της τεράστιας συνθετικής και δομικής δυνατότητας συντονισμού που επιτρέπει η νανοχημεία, σειριακές πειραματικές προσεγγίσεις για τον εντοπισμό επιβάλλει ανυπέρβλητα όρια στην ανακάλυψη.

Τώρα, οι ερευνητές του Πανεπιστημίου Northwestern και του Ερευνητικού Ινστιτούτου Toyota (TRI) έχουν κάνει αίτηση με επιτυχία να καθοδηγήσει τη σύνθεση νέων νανοϋλικών, εξαλείφοντας τα εμπόδια που σχετίζονται με την ανακάλυψη υλικών. Ο εξαιρετικά εκπαιδευμένος αλγόριθμος χτενίστηκε μέσα από ένα καθορισμένο σύνολο δεδομένων για να προβλέψει με ακρίβεια νέες δομές που θα μπορούσαν να τροφοδοτήσουν διεργασίες στις βιομηχανίες καθαρής ενέργειας, χημικών και αυτοκινήτων.

«Ζητήσαμε από το μοντέλο να μας πει τι μείγματα έως και επτά στοιχείων θα έφτιαχνε κάτι που δεν έχει φτιαχτεί στο παρελθόν», δήλωσε ο Τσαντ Μίρκιν, ειδικός στη νανοτεχνολογία του Βορειοδυτικού τμήματος και ο αντίστοιχος συγγραφέας της εφημερίδας. «Το μηχάνημα προέβλεψε 19 πιθανότητες και, μετά από πειραματική δοκιμή του καθενός, βρήκαμε ότι 18 από τις προβλέψεις ήταν σωστές».

Η μελέτη, “Μηχανική εκμάθηση-επιταχυνόμενη σχεδίαση και σύνθεση πολυστοιχειακών ετεροδομών”, θα δημοσιευθεί στις 22 Δεκεμβρίου στο περιοδικό Προόδους της Επιστήμης.

Ο Mirkin είναι καθηγητής Χημείας George B. Rathmann στο Weinberg College of Arts and Sciences. καθηγητής χημικής και βιολογικής μηχανικής, βιοϊατρικής μηχανικής και και μηχανική στη Σχολή Μηχανικών McCormick. και καθηγητής ιατρικής στην Ιατρική Σχολή Feinberg. Είναι επίσης ο ιδρυτικός διευθυντής του Διεθνούς Ινστιτούτου Νανοτεχνολογίας.

Χαρτογράφηση του γονιδιώματος των υλικών

Σύμφωνα με τον Mirkin, αυτό που το κάνει τόσο σημαντικό είναι η πρόσβαση σε πρωτοφανώς μεγάλα, ποιοτικά σύνολα δεδομένων, επειδή τα μοντέλα μηχανικής μάθησης και οι αλγόριθμοι τεχνητής νοημοσύνης μπορούν να είναι τόσο καλά όσο τα δεδομένα που χρησιμοποιούνται για την εκπαίδευσή τους.

Το εργαλείο δημιουργίας δεδομένων, που ονομάζεται “Megalibrary”, επινοήθηκε από τον Mirkin και επεκτείνει δραματικά το οπτικό πεδίο ενός ερευνητή. Κάθε Megalibrary φιλοξενεί εκατομμύρια ή και δισεκατομμύρια νανοδομές, η καθεμία με ελαφρώς διακριτό σχήμα, δομή και σύνθεση, όλα κωδικοποιημένα σε θέση σε ένα τσιπ δύο επί δύο τετραγωνικών εκατοστών. Μέχρι σήμερα, κάθε τσιπ περιέχει περισσότερα νέα ανόργανα υλικά από όσα έχουν συλλεχθεί και κατηγοριοποιηθεί ποτέ από επιστήμονες.

Η ομάδα του Mirkin ανέπτυξε τις Megalibraries χρησιμοποιώντας μια τεχνική (που επίσης εφευρέθηκε από τον Mirkin) που ονομάζεται λιθογραφία πολυμερούς στυλό, ένα μαζικά παράλληλο εργαλείο νανολιθογραφίας που επιτρέπει την συγκεκριμένη τοποθεσία απόθεση εκατοντάδων χιλιάδων χαρακτηριστικών κάθε δευτερόλεπτο.

Κατά τη χαρτογράφηση του , οι επιστήμονες επιφορτίστηκαν με τον εντοπισμό συνδυασμών τεσσάρων βάσεων. Αλλά το χαλαρά συνώνυμο «γονιδίωμα υλικών» περιλαμβάνει συνδυασμούς νανοσωματιδίων οποιουδήποτε από τα χρησιμοποιήσιμα 118 στοιχεία του περιοδικού πίνακα, καθώς και παραμέτρους σχήματος, μεγέθους, μορφολογίας φάσης, κρυσταλλικής δομής και πολλά άλλα. Η δημιουργία μικρότερων υποσυνόλων νανοσωματιδίων με τη μορφή Megalibraries θα φέρει τους ερευνητές πιο κοντά στην ολοκλήρωση ενός πλήρους χάρτη ενός γονιδιώματος υλικών.

Ο Μίρκιν είπε ότι ακόμη και με κάτι παρόμοιο με ένα «γονιδίωμα» υλικών, ο προσδιορισμός του τρόπου χρήσης ή επισήμανσης τους απαιτεί διαφορετικά εργαλεία.

«Ακόμα κι αν μπορούμε να φτιάξουμε υλικά πιο γρήγορα από οποιονδήποτε άλλο στη γη, αυτό εξακολουθεί να είναι μια σταγόνα νερού στον ωκεανό της πιθανότητας», είπε ο Mirkin. «Θέλουμε να ορίσουμε και να εξορύξουμε το γονιδίωμα των υλικών και ο τρόπος που το κάνουμε αυτό είναι μέσω της τεχνητής νοημοσύνης».

Οι εφαρμογές μηχανικής εκμάθησης είναι ιδανικά κατάλληλες για την αντιμετώπιση της πολυπλοκότητας του καθορισμού και της εξόρυξης του γονιδιώματος των υλικών, αλλά περιορίζονται από τη δυνατότητα δημιουργίας συνόλων δεδομένων για την εκπαίδευση αλγορίθμων στο χώρο. Ο Mirkin είπε ότι ο συνδυασμός των Megalibraries με τη μηχανική μάθηση μπορεί τελικά να εξαλείψει αυτό το πρόβλημα, οδηγώντας στην κατανόηση των παραμέτρων που καθοδηγούν τις ιδιότητες ορισμένων υλικών.

«Υλικά που κανένας χημικός δεν μπορούσε να προβλέψει»

Εάν οι Megalibraries παρέχουν έναν χάρτη, η μηχανική εκμάθηση παρέχει το μύθο.

Χρήση Megalibraries ως πηγή δεδομένων υλικών υψηλής ποιότητας και μεγάλης κλίμακας για εκπαίδευση Οι αλγόριθμοι (AI), επιτρέπουν στους ερευνητές να απομακρυνθούν από την «έντονη χημική διαίσθηση» και τους σειριακούς πειραματισμούς που συνήθως συνοδεύουν τη διαδικασία ανακάλυψης υλικών, σύμφωνα με τον Mirkin.

“Το Northwestern είχε τις δυνατότητες σύνθεσης και τις δυνατότητες χαρακτηρισμού αιχμής για να καθορίσει τις δομές των υλικών που παράγουμε”, είπε ο Mirkin. «Δουλέψαμε με την ομάδα τεχνητής νοημοσύνης της TRI για να δημιουργήσουμε δεδομένα εισόδου για τους αλγόριθμους τεχνητής νοημοσύνης που τελικά έκαναν αυτές τις προβλέψεις σχετικά με υλικά που κανένας χημικός δεν μπορούσε να προβλέψει».

Στη μελέτη, η ομάδα συγκέντρωσε δομικά δεδομένα Megalibrary που είχαν δημιουργηθεί προηγουμένως που αποτελούνταν από νανοσωματίδια με πολύπλοκες συνθέσεις, δομές, μεγέθη και μορφολογίες. Χρησιμοποίησαν αυτά τα δεδομένα για να εκπαιδεύσουν το μοντέλο και του ζήτησαν να προβλέψει συνθέσεις τεσσάρων, πέντε και έξι στοιχείων που θα οδηγούσαν σε ένα συγκεκριμένο δομικό χαρακτηριστικό. Σε 19 προβλέψεις, το μοντέλο μηχανικής μάθησης προέβλεψε σωστά νέα υλικά 18 φορές — ποσοστό ακρίβειας περίπου 95%.

Με ελάχιστη γνώση της χημείας ή της φυσικής, χρησιμοποιώντας μόνο τα δεδομένα εκπαίδευσης, το μοντέλο ήταν σε θέση να προβλέψει με ακρίβεια περίπλοκες δομές που δεν έχουν υπάρξει ποτέ στη γη.

«Όπως υποδηλώνουν αυτά τα δεδομένα, η εφαρμογή της μηχανικής μάθησης, σε συνδυασμό με την τεχνολογία Megalibrary, μπορεί να είναι ο δρόμος για τον οριστικό προσδιορισμό του γονιδιώματος των υλικών», δήλωσε ο Joseph Montoya, ανώτερος ερευνητής στο TRI.

Τα μεταλλικά νανοσωματίδια υπόσχονται να καταλύουν βιομηχανικά κρίσιμες αντιδράσεις όπως η έκλυση υδρογόνου, το διοξείδιο του άνθρακα (CO2) αναγωγή και μείωση και εξέλιξη οξυγόνου. Το μοντέλο εκπαιδεύτηκε σε ένα μεγάλο σύνολο δεδομένων κατασκευής Northwestern για να αναζητήσει πολυμεταλλικά νανοσωματίδια με καθορισμένες παραμέτρους γύρω από τη φάση, το μέγεθος, τη διάσταση και άλλα δομικά χαρακτηριστικά που αλλάζουν τις ιδιότητες και τη λειτουργία των νανοσωματιδίων.

Η τεχνολογία Megalibrary μπορεί επίσης να οδηγήσει σε ανακαλύψεις σε πολλούς τομείς κρίσιμους για το μέλλον, όπως η πλαστική ανακύκλωση, τα ηλιακά κύτταρα, οι υπεραγωγοί και τα qubits.

Ένα εργαλείο που λειτουργεί καλύτερα με την πάροδο του χρόνου

Πριν από την εμφάνιση των μεγαλιβλιοθηκών, τα εργαλεία μηχανικής μάθησης εκπαιδεύονταν σε ελλιπή σύνολα δεδομένων που συλλέγονταν από διαφορετικούς ανθρώπους σε διαφορετικές χρονικές στιγμές, περιορίζοντας την προβλεπτική τους ισχύ και τη γενίκευσή τους. Οι Megalibraries επιτρέπουν στα εργαλεία μηχανικής εκμάθησης να κάνουν αυτό που κάνουν καλύτερα—να μαθαίνουν και να γίνονται εξυπνότερα με την πάροδο του χρόνου. Ο Mirkin είπε ότι το μοντέλο τους θα γίνει καλύτερο μόνο στην πρόβλεψη σωστών υλικών, καθώς τροφοδοτείται με περισσότερα δεδομένα υψηλής ποιότητας που συλλέγονται υπό ελεγχόμενες συνθήκες.

«Η δημιουργία αυτής της δυνατότητας AI αφορά τη δυνατότητα πρόβλεψης των υλικών που απαιτούνται για οποιαδήποτε εφαρμογή», ​​είπε ο Montoya. “Όσο περισσότερα δεδομένα έχουμε, τόσο μεγαλύτερη ικανότητα πρόβλεψης έχουμε. Όταν ξεκινάτε να εκπαιδεύετε την τεχνητή νοημοσύνη, ξεκινάτε με την τοπική προσαρμογή της σε ένα σύνολο δεδομένων και, καθώς μαθαίνει, προσθέτετε όλο και περισσότερα δεδομένα – είναι σαν να παίρνετε ένα παιδί και πηγαίνοντας από το νηπιαγωγείο στο διδακτορικό τους. Η συνδυασμένη εμπειρία και γνώση υπαγορεύει τελικά πόσο μακριά μπορούν να φτάσουν».

Η ομάδα χρησιμοποιεί τώρα την προσέγγιση για να βρει καταλύτες κρίσιμους για την τροφοδοσία διεργασιών στις βιομηχανίες καθαρής ενέργειας, αυτοκινήτων και χημικών. Ο εντοπισμός νέων πράσινων καταλυτών θα επιτρέψει τη μετατροπή αποβλήτων και άφθονων πρώτων υλών σε χρήσιμη ύλη, την παραγωγή υδρογόνου, τη χρήση διοξειδίου του άνθρακα και την ανάπτυξη κυψελών καυσίμου. Οι καταλύτες παραγωγής θα μπορούσαν επίσης να χρησιμοποιηθούν για να αντικαταστήσουν ακριβά και σπάνια υλικά όπως το ιρίδιο, το μέταλλο που χρησιμοποιείται για την παραγωγή πράσινου υδρογόνου και CO2 προϊόντα μείωσης.


Κωδικοποίηση οδών ιεραρχικής συναρμολόγησης πρωτεϊνών


Περισσότερες πληροφορίες:
Carolin B. Wahl et al, Μηχανική μάθηση – επιταχυνόμενη σχεδίαση και σύνθεση πολυστοιχειακών ετεροδομών, Προόδους της Επιστήμης (2021). DOI: 10.1126/sciadv.abj5505. www.science.org/doi/10.1126/sciadv.abj5505

Παρέχεται από
Πανεπιστήμιο Northwestern

Παραπομπή: Η μηχανική μάθηση που χρησιμοποιείται για την πρόβλεψη σύνθεσης σύνθετων νέων υλικών (2021, 22 Δεκεμβρίου) ανακτήθηκε στις 22 Δεκεμβρίου 2021 από https://phys.org/news/2021-12-machine-synthesis-complex-materials.html

Αυτό το έγγραφο υπόκειται σε πνευματικά δικαιώματα. Εκτός από κάθε δίκαιη συναλλαγή για σκοπούς ιδιωτικής μελέτης ή έρευνας, κανένα μέρος δεν μπορεί να αναπαραχθεί χωρίς τη γραπτή άδεια. Το περιεχόμενο παρέχεται μόνο για ενημερωτικούς σκοπούς.



Source link

By koutsobolis

koutsobolis.com

Αφήστε μια απάντηση

Η ηλ. διεύθυνση σας δεν δημοσιεύεται.