澳门太阳城网站-最新注册

  • 迭代,用于训练神经网络,如在左上方描绘的,导致两个竞争的品质之间的权衡进行评估,如在中心在图中描绘的多步骤过程。蓝线代表了所谓的帕累托前,限定超出该材料的选择不能进一步改善的情况。这使得可以识别有前途的新材料,例如通过在合适的分子图中所描绘的一个特定类别。

    迭代,用于训练神经网络,如在左上方描绘的,导致两个竞争的品质之间的权衡进行评估,如在中心在图中描绘的多步骤过程。蓝线代表了所谓的帕累托前,限定超出该材料的选择不能进一步改善的情况。这使得可以识别有前途的新材料,例如通过在合适的分子图中所描绘的一个特定类别。

    图像:研究人员礼貌

    全屏
  • 数以百万计的潜在候选人进行排序,并考虑选择针对特定应用材料的过程可能会很长。化学工程石楠库利克(如图)的澳门太阳城最新网站教授是澳门太阳城最新网站团队的一部分已经找到一种方法来大幅简化搜索过程中,使用机器学习系统。

    数以百万计的潜在候选人进行排序,并考虑选择针对特定应用材料的过程可能会很长。化学工程石楠库利克(如图)的澳门太阳城最新网站教授是澳门太阳城最新网站团队的一部分已经找到一种方法来大幅简化搜索过程中,使用机器学习系统。

    图片:澳门太阳城最新网站的化学工程的礼貌

    全屏

神经网络优化有利于在寻找新材料

迭代,用于训练神经网络,如在左上方描绘的,导致两个竞争的品质之间的权衡进行评估,如在中心在图中描绘的多步骤过程。蓝线代表了所谓的帕累托前,限定超出该材料的选择不能进一步改善的情况。这使得可以识别有前途的新材料,例如通过在合适的分子图中所描绘的一个特定类别。

通过数以百万计的可能性排序,电池材料的检索五周,而不是50年交付的结果。


记者联系

卡尔·莉迪·让·巴蒂斯特
电子邮件: kjeanbap@mit.edu
电话:(617)253-1682
澳门太阳城最新网站新闻

媒体资源

1张图片下载

媒体访问

媒体只能从本网站的桌面版本下载。

通过为特定的应用,如电池或其他能源相关的设备可能出现的新材料的理论列表中进行搜索时,经常有百万计的潜在材料可以考虑,和多标准的需要得到满足,并立即进行了优化。现在,研究人员在澳门太阳城最新网站已经找到一种方法,大大简化发现过程,利用机器学习系统。

作为示范,车队到达了一组八个最有前途的材料,出来的近3万名考生中,被称为液流电池储能系统。该剔除处理将采取50年由传统的分析方法,他们说,但他们做到了五周。

该研究结果发表在杂志 ACS中央科学在化学工程石楠库利克的澳门太阳城最新网站教授,​​乔恩·保罗·珍妮特博士'19,sahasrajit拉梅什和研究生chenru段的论文。

看着一组材料的研究被称为过渡金属络合物。这些都可以在大量不同的形式存在,库利克说,他们“是不像很多其他材料相着实令人着迷,功能材料。了解的唯一途径为什么他们的工作他们做的是用量子力学来研究它们的方式。”

预测的数以百万计这些材料中的任何一个的特性将需要要么耗时和资源密集型学和其他实验室工作,或费时,高度复杂的基于物理的计算机建模的材料每一个可能的候选人材料或组合。每个这样的研究会消耗小时至数天。

相反,库利克和她的团队花了少量的不同的可能的材料,并用它们来教导材料的化学成分和物理性质之间的关系,先进的机器学习神经网络。这则知识应用于生成下一代可能的材料的建议用于下一轮的神经网络训练。通过这个过程的四个连续的迭代中,神经网络的每个时间显著提高,直至达到一个点,很明显,进一步迭代不会产生任何进一步的改进。

这种迭代优化系统大大简化了在那个满足所寻求的两种相互矛盾的标准,可能的解决方案到达的过程。这种情况中,在提高的一个因素找出最佳解决方案的过程中趋于恶化,另外,被称为帕累托前,代表点的曲线,使得一个因素的任何进一步改善将令对方恶化。换句话说,该图表示最佳的折衷点,根据分配给各因素的相对重要性。

训练典型的神经网络需要非常大的数据集,从数千到数百万的例子,但库利克和她的团队能够利用这个反复的过程,根据帕累托前一个模特,为了简化程序,只使用少数提供可靠的结果百样。

在筛选液流电池材料的情况下,所期望的特性是在冲突,这是常有的情况下:最佳材料将具有高溶解度和高能量密度的能力(以存储能量对于给定的权重)。但增加溶解性降低的倾向的能量密度,并且反之亦然。

不仅能快速想出希望的候选神经网络,它也能够通过每个迭代,这有助于让每一步样本选择的细化信心,其不同的预测分配水平。 “我们制定了优于最好的一流的不确定性定量技术为真正知道当这些模型是要失败的,”库利克说。

他们选择了证明的概念审判面临的挑战是在氧化还原液流电池使用的材料,一式电池的保存为大,电网规模的电池,可以在实现清洁,可再生能源发挥作用​​显著承诺。过渡金属配合物是的材料这样的电池的优选类别,Kulik的说,但有太多的可能性通过常规方法来评价。他们开始了与300万种这样的配合,最终削下来给8名很好的候选人,有一组设计规则,应使实验者探索这些候选人及其变体的潜在沿着之前的列表。

“通过这一过程,神经网络都变得越来越聪明有关[设计]空间,也越来越悲观,任何超出了我们已经特点可以在我们已经知道的进一步完善,”她说。

除了使用该系统建议作进一步调查具体的过渡金属络合物,她说,该方法本身可以有更广泛的应用。 “我们做的认为这是可以适用于任何材料的设计挑战,在那里你真的想一次解决多个目标的框架。你知道,所有的最有趣的材料设计挑战是那些,你有你正在努力改善的一件事,但是改善这种恶化的另一个。而对于我们来说,氧化还原液流电池的氧化还原夫妇俩的,我们认为我们可以用这个机器学习去只是一个良好的示范,加快材料的发现“。

例如,优化各种化学和工业生产过程的催化剂是另一种这样的复杂材料的搜索,库利克说。目前所用的催化剂通常包括稀有且昂贵的元素,所以寻找基于丰富且廉价的材料可以是显著优点类似有效的化合物。

“这篇论文表示,我相信,在化学科学多维定向改善的首次应用,”她说。但工作的长期意义,在于方法本身,因为事情可能不会在所有其他可能的。 “你开始意识到,即使并行计算,这些都是我们也不会拿出一个设计原则以任何其他方式的情况。而这些线索,来了我们的工作了,这些都是不一定是在那些已经从文献或专家本来可以给你指向已知的所有的想法“。

“这是一个美丽的统计观念,应用数学,那将是在工程应用中是非常有用的物理科学组合,”乔治·沙茨,在美国西北大学化学和生物工程的化学教授,谁是不是说与此相关的工作。他说,这项研究的地址“如何做机器学习,当有多个目标。库利克的方法使用前缘方法培训被用来预测过渡金属离子,其组合的人工神经网络和有机配位体将是最适合的氧化还原液流电池电解质。”

沙茨说:“这种方法可以在许多不同的环境中使用,所以它有可能改变机器学习,这是世界各地的主要活动的潜力。”

该工作是由海军研究,美国国防高级研究计划局(DARPA),美国的办公支持能源部的宝来惠康基金,和美国科学促进会三月离子米利石匠奖。


话题: 研究, 机器学习, 电池, 金属, 化学工程, 工程学院, 人工智能, 材料科学与工程, 能源部(DOE), 美国国防部高级研究计划局(DARPA)

回到顶端