Вычислительно-интенсивная модель «G4MP2» для разработки аккумуляторов

Вычислительно-интенсивная модель «G4MP2» для разработки аккумуляторов

Разработка идеальных молекулярных строительных блоков компонентов АКБ — это равносильно попыткам создания рецепта нового вида пирога, когда в наличии имеется миллиард потенциальных ингредиентов. Необходимо определить — какие ингредиенты лучше всего работают совместно. Проще говоря, необходимо воспроизвести хотя бы съедобный (или, в случае батарей, безопасный) продукт. Но, даже обладая современными суперкомпьютерами, учёные не в состоянии точно смоделировать химические характеристики каждой молекулы.

Поиск «ингредиентов» лучших аккумуляторов

Видимо с учётом отмеченных выше причин, исследовательская группа ANL Министерства энергетики США обратилась к возможностям машинного обучения и искусственного интеллекта. Таким способом учёные надеются значительно ускорить процесс поиска «ингредиентов» лучших аккумуляторов.

Для этого исследователи лаборатории Аргонна впервые создали высокоточную базу данных, содержащую примерно 133 000 органических молекул, которые могут составлять основу электролитов аккумуляторов. Учёными использовалась вычислительно-интенсивная модель, получившая название «G4MP2».

Представленная коллекция молекул, однако, — это лишь небольшое подмножество всей массы 166 миллиардов молекул, потенциально подходящих для исследований в качестве кандидатов на электролит.

Поскольку использование «G4MP2» для разрешения каждой из 166 миллиардов молекул потребовало бы невозможного количества вычислительного времени и мощности, исследовательская группа использовала алгоритм машинного обучения. Так удалось связать точно известные структуры из меньшего набора данных с гораздо более грубо смоделированными структурами из большего набора данных.

Когда дело доходит до определения того, как работают эти молекулы, существует большой компромисс между точностью и временем, которое требуется для вычисления результата. Учёные считают, что машинное обучение предоставляет способ получить молекулярную картину, которая почти столь же точна за долю вычислительных затрат.

Вычислительная среда моделирования

С целью обеспечения основы модели машинного обучения, учёными использовалась менее сложная вычислительная среда моделирования, основанная на теории функционала плотности. Структура квантово-механического моделирования используется для расчёта электронной структуры больших систем. Теория функционала плотности обеспечивает хорошее приближение молекулярных свойств, но менее точна, чем «G4MP2».

Уточнение алгоритма для более точного получения информации о более широком классе органических молекул включало сравнение атомных положений молекул, рассчитанных с помощью высокоточного «G4MP2. Используя «G4MP2» в качестве золотого стандарта, исследователи могли бы обучить модель теории функционала плотности для включения поправочного коэффициента, повышая точность при одновременном снижении вычислительных затрат.


При помощи информации: ANL