ИИ используется для обнаружения чистых энергетических материалов «быстрее и эффективнее»

Исследователи из Университета Торонто разработали метод использования искусственного интеллекта для поиска новых и более эффективных материалов для чистых энергетических технологий.

Команда под руководством Алекса Возного, доцента кафедры физических и экологических наук Университета Торонто в Скарборо, использовала машинное обучение, чтобы значительно ускорить процесс поиска новых материалов с желаемыми свойствами.

«Мы пытаемся найти лучшие альтернативы тем материалам, которые у нас есть сейчас», — говорит Возный, чьи исследования направлены на разработку новых материалов для литий-ионных батарей, хранения водорода, улавливания CO2 и солнечных батарей.

«Это может означать разработку совершенно новых материалов или использование материалов, о которых мы уже знаем, но никогда не думали об их применении в чистой энергии».

Возный говорит, что основная проблема с материалами, которые в настоящее время используются в технологиях чистой энергии, заключается в том, что они либо дорогие, либо неэффективные, либо находятся на пределе своих возможностей. Цель, по его словам, заключается в создании новых и лучших материалов путем комбинирования элементов существующих.

Модель машинного обучения опирается на данные, найденные в проекте «Материалы» — открытой базе данных о более чем 140 000 известных материалов, разработанных за последнее десятилетие. Она содержит информацию о компонентах известных материалов, включая кристаллическую структуру, молекулярный состав, плотность, энергопроводность и стабильность.

Чтобы выяснить, какая комбинация существующих материалов может привести к созданию лучшего литий-ионного аккумулятора, например, говорит Возный, необходимо выяснить стабильность нового материала и то, сколько энергии он может хранить.

Проблема в том, что расчеты, необходимые для выполнения этой работы, не очень хорошо масштабируются. Более сложные материалы, такие как сплав, требуют в два раза больше атомов для кодирования, что делает расчеты обычными методами в четыре раза медленнее. В настоящее время для проведения подобных расчетов используется подход квантовой химии, который Возный называет «вычислениями с помощью грубой силы», поскольку он медленный и использует много вычислительной мощности.

В отличие от этого, модель, разработанная командой Возного, может выполнять эти расчеты в 1000 раз быстрее.

«Наша философия заключается в том, что мы не хотим потратить еще 10 лет на подготовку данных, которые будут предсказывать один и тот же результат», — говорит Возный, который руководит Лабораторией чистой энергии в Университете Ти Скарборо.

«Мы хотим иметь возможность предсказывать новые материалы быстрее и эффективнее, чтобы мы могли начать физическое создание этих материалов раньше и с большей уверенностью, что они будут работать».

Предыдущие модели были способны воспроизводить стабильность известных материалов, но они не могли предсказывать для материалов с неизвестной кристаллической структурой, которая относится к тому, как атомы, ионы и молекулы расположены в материале — существенный фактор в определении его физических свойств. Тренировка новой модели на так называемых искаженных структурах дает представление о том, как новые материалы будут работать при деформации, и позволяет модели релаксировать кристаллическую структуру до более стабильной конфигурации.

«Знание точной геометрии кристалла необходимо для точного прогнозирования свойств новых материалов и их характеристик», — говорит Возный. «Данный метод значительно ускоряет этот процесс и открывает множество возможностей».

Команда Возного использовала Niagara, суперкомпьютер U of T, расположенный в центре SciNet, для проведения расчетов в рамках исследования, которое было опубликовано в журнале Patterns.

Коллектив сайта

(Пока оценок нет)

Загрузка...