Машинно обучение ускорява откриването на нови материали
Използването на AI може да помогне при основаване на нови материали за разнообразни промишлености
(снимка: CC0 Public Domain)
Използването на машинно самообразование може да помогне за разработване на най-хубавите градивни детайли за сглобяване на така наречен рамкови материали за приложение в индустриални процеси. Откритието бе направено от ново проучване, ръководено от учени от Университета в Торонто (UT) и Северозападния университет в Илинойс, Съединени американски щати.
Констатациите, оповестени в Nature Machine Intelligence, показват, че потреблението на изкуствен интелект (ИИ) може да помогне при основаване на нови материали за разнообразни индустриални приложения. Един образец е отделянето на въглеродния диоксид от промишлените горивни процеси. Прилагането на изкуствен интелект дава обещание ускорение на цикъла на планиране на материалите за тази цел.
С цел възстановяване на разделянето на химикалите в промишлените процеси екипът от откриватели – в това число сътрудници от Харвардския университет и Университета на Отава – се е заел да разпознава най-хубавите мрежови рамки (например железни органични рамки, ковалентни органични рамки) за потребление в промишлени процеси.
Подобни рамки, които могат да се преглеждат като молекулярни „ гъби ”, се образуват посредством самосглобяване на молекулярните градивни детайли в разнообразни подредби. Те съставляват семейство кристални порести материали, за които е потвърдено, че са обещаващи за справяне с някои комплицирани софтуерни провокации (напр. рандеман на чиста сила, датчици, биомедицина и др.)
„ Изградихме автоматизирана платформа за разкриване на материали, която генерира планове за разнообразни молекулярни рамки, доста намалявайки времето, належащо за идентифициране на най-подходящите материали за потребление в съответни процеси ”, споделя Женпенг Яо, докторант в катедрата по химия и компютърни науки във Факултета по изкуства и науки в UT и водещ създател на проучването, представен от. „ В тази работа на платформата ние открихме рамки, които са мощно конкурентни на някои от най-ефективните материали, употребявани за делене на CO2, известни досега ”.
още по тематиката
Има обаче някои многогодишни провокации при оправянето с разделянето на CO2 и други проблеми като понижаване на и създаването на ваксини. Това са най-много непредсказуемият интервал от време и огромните старания за тествания вид „ проба-грешка ”, нужни за проектирането на нови материали. Понякога безкрайните комбинации от молекулни градивни детайли, налични при построяването на химичните съединения, могат да значат привършване на обилни количества време и запаси, преди да бъде реализиран триумф.
„ Проектирането на ретикулярни материали е изключително предизвикателно, защото те сплотяват в една обща задача сложните аспекти на моделирането на кристали дружно с тези на моделирането на молекули ”, споделя старшият съавтор на изследването Алан Аспуру-Гузик, откривател в региона на теоретичната химия в катедрите по химия и компютърни науки в UT.
„ Този метод към ретикулярната химия илюстрира нововъзникващия фокус на UT върху ускоряването на създаването на материалите посредством изкуствен интелект. Използвайки модел с неестествен разсъдък, който може да „ мечтае ” или да предлага нови материали, ние можем да надхвърлим обичайния библиотечен скрининг метод ”.
Изследователите са се фокусирали върху създаването на метално-органични рамки (MOF), които в този момент се смятат за идеалния абсорбиращ материал за от димните газове и други горивни процеси.
„ Започнахме с построяването на огромен брой MOF структури на компютъра. Симулирахме тяхното показване благодарение на моделиране на молекулярно равнище и изградихме образователен пул, използван за определеното приложение на делене на CO2 ”, сподели съавторът на проучването Рандал Снур от Катедрата по химично и биологично инженерство в инженерното учебно заведение McCormick в Северозападния университет.
„ В предишното бихме преглеждали претендентите на компютъра и докладвали за най-хубавите претенденти. Новото тук е, че автоматизираната платформа за разкриване на материали, създадена в това взаимно изпитание, е по-ефективна от сходен скрининг „ с груба мощ ” на всеки материал от базата данни. Може би по-важното е, че методът употребява логаритми за машинно самообразование, с цел да се учи от данните, защото изследва пространството на материалите и в действителност предлага нови материали, които в началото не са били показани ”, добавя Снур.
Изследователите споделят, че моделът дава обещание огромни благоприятни условия за прогнозиране и усъвършенстване при проектирането на нови ретикулярни рамки, изключително в композиция с към този момент известни претенденти за характерни функционалности, и че платформата е изцяло адаптивна в своето приложение за справяне с доста модерни софтуерни провокации.
Източник: technews.bg
КОМЕНТАРИ