Makine öğrenimi yöntemi, yeni pil malzemelerinin aranmasını hızlandırabilir

Şekil 1. ICSD yapıları üzerinde eğitilen model. Bu çalışmada geliştirilen GNN modeli, NREL Materials Database’den ICSD yapılarının DFT toplam enerjisi üzerinde eğitilmiştir.31 (A) Model, MAE değeri 0.041 eV/atom (0.95 kcal/mol) olan 500 dışarıda tutulan kristal yapının DFT toplam enerjisini tahmin eder. . (B) 500 test seti yapısı için tahmin hatalarının histogramı (DFT toplam enerjisine göre); Yapıların %82’si ±0.05 eV/atom’luk bir hata içinde tahmin edilmektedir. (C) Öğrenme eğrisi, MAE ≤ 0.05 eV/atom elde etmek için >104>104 eğitim yapısının gerekli olduğunu gösterir. Kredi: DOI: 10.1016/j.patter.2021.100361

Daha iyi piller için materyaller keşfetmek için araştırmacıların geniş bir aday alanından geçmesi gerekiyor. Yeni araştırma, en çok istenen özelliklere sahip olanları daha hızlı ortaya çıkarabilecek bir makine öğrenimi tekniği gösteriyor.

Çalışma, yanıcılık endişeleri olmadan lityum iyon pillerden daha fazla enerji depolama potansiyeline sahip gelecek vaat eden yeni nesil bir teknoloji olan katı hal piller için tasarımları hızlandırabilir. Bununla birlikte, katı hal pilleri, hücre içindeki malzemeler birbirleriyle performansı düşürecek şekilde etkileşime girdiğinde sorunlarla karşılaşır.

Ulusal Yenilenebilir Enerji Laboratuvarı (NREL), Colorado Maden Okulu ve Illinois Üniversitesi’nden araştırmacılar, inorganik bileşiklerin özelliklerini doğru bir şekilde tahmin edebilen bir makine öğrenme yöntemi gösterdi. Çalışma, NREL tarafından yönetiliyor ve ABD Enerji Bakanlığı’nın Gelişmiş Araştırma Projeleri Ajansı-Enerji (ARPA-E) tarafından finanse edilen ve yapay zekayı dahil ederek enerji inovasyonunu hızlandırmayı amaçlayan bir girişim olan DIFFERENTIATE’in bir parçası.

İlgilenilen bileşikler, tekrarlayan, üç boyutlu desenlerde düzenlenmiş atomlara sahip kristal katılardır. Bu kristal yapıların kararlılığını ölçmenin bir yolu, toplam enerjilerini hesaplamaktır – daha düşük toplam enerji, daha yüksek kararlılık anlamına gelir. Tek bir bileşik birçok farklı kristal yapıya sahip olabilir. En düşük enerjiye sahip olanı (temel durum yapısı) bulmak için araştırmacılar, hesaplama açısından pahalı, aslına uygun sayısal simülasyonlara güveniyorlar.

Elektrot ve elektrolit arasındaki arayüzde rekabet eden fazlar oluşursa, katı hal pilleri kapasite ve voltaj kaybeder. Uyumlu malzeme çiftlerini bulmak, araştırmacıların malzemelerin bozulmamasını sağlamasını gerektirir. Ancak adayların alanı geniş: Tahminler, keşfedilmeyi bekleyen milyonlarca hatta milyarlarca makul katı hal bileşiği olduğunu gösteriyor.

Bir NREL araştırmacısı ve ARPA-E projesinin baş araştırmacısı olan Peter St. John, “Bu potansiyel kristal yapı alanının büyük bir bölümünde bu çok ayrıntılı simülasyonları yapamazsınız” dedi. “Her biri, büyük bir bilgisayarda dakikalar ila saatler süren çok yoğun bir hesaplamadır.” İnsanlar daha sonra yeni olası malzemeleri manuel olarak tanımlamak için elde edilen verileri taramalıdır.

Süreci hızlandırmak için araştırmacılar, grafik sinir ağı adı verilen bir makine öğrenimi biçimi kullandılar. Bir grafik sinir ağı, verilerdeki kalıpları tespit etmek ve vurgulamak için eğitilebilen bir algoritmadır. Burada “grafik” esasen her bir kristal yapının bir haritasıdır. Algoritma her kristal yapıyı analiz eder ve ardından toplam enerjisini tahmin eder.

Bununla birlikte, herhangi bir sinir ağının başarısı, öğrenmek için kullandığı verilere bağlı olacaktır. Bilim adamları şimdiden 200.000’den fazla inorganik kristal yapı belirlediler, ancak çok daha fazla olasılık var. Bazı kristal yapılar, daha düşük enerjili bir bileşikle karşılaştırıldığında aksi ortaya çıkana kadar ilk başta kararlı görünür. Araştırmacılar, makine öğrenimi modelinin basitçe kararlı görünen yapılar ile gerçekte olan yapıları ayırt etme yeteneğini geliştirmeye yardımcı olabilecek varsayımsal, daha yüksek enerjili kristaller buldular.

“Bir yapının kararlı olup olmadığını doğru bir şekilde tahmin edebilen bir model yetiştirmek için, onu sadece zaten bildiğimiz temel-durum yapılarıyla besleyemezsiniz. Ona bu varsayımsal yüksek enerjili yapıları vermelisiniz, böylece model ikisi arasında ayrım yapabilir,” dedi St. John.

Araştırmacılar, grafik sinir ağlarını eğitmek için doğaya değil, kuantum mekaniksel hesaplamalara dayalı teorik örnekler oluşturdular. Eğitim verilerine hem temel durum hem de yüksek enerji kristallerini dahil eden araştırmacılar, yalnızca temel durum yapıları üzerinde eğitilmiş bir modele kıyasla çok daha doğru sonuçlar elde edebildiler. Araştırmacıların modeli, karşılaştırma durumundan beş kat daha düşük ortalama hataya sahipti.

“Bilinen ve varsayımsal kristallerin grafik sinir ağını kullanarak enerjisini ve kararlılığını tahmin etme” adlı çalışma dergide yayınlandı. desenler St. John ile ortak yazarlar Colorado Maden Okulu’ndan Prashun Gorai, Shubham Pandey ve Vladan Stevanović ve Illinois Üniversitesi’nden Jiaxing Qu’dur. Araştırmacılar, hesaplamalarını yürütmek için NREL’in Eagle yüksek performanslı bilgi işlem sistemini kullandılar.

Yaklaşım, araştırmacıların değerli özelliklere sahip yeni malzemeleri keşfetme hızında devrim yaratabilir ve en umut verici kristal yapıları hızla yüzeye çıkarmalarını sağlayabilir. NREL’de ortak bir randevuya sahip olan Colorado Maden Okulu’nda araştırma profesörü Gorai, çalışmanın geniş ölçüde alakalı olduğunu söyledi.

Gorai, “İki katının birbiriyle temas ettiği senaryo, birçok farklı uygulamada ortaya çıkıyor – fotovoltaikler, termoelektrikler, her türlü işlevsel cihaz” dedi. “Model başarılı olduğunda, katı hal pillerinin ötesinde birçok uygulama için dağıtılabilir.”


İnorganik kristal sistemler için yapı motif merkezli öğrenme çerçevesi


Daha fazla bilgi:
Shubham Pandey ve diğerleri, Grafik sinir ağı kullanarak bilinen ve varsayımsal kristallerin enerjisini ve kararlılığını tahmin etme, desenler (2021). DOI: 10.1016 / j.patter.2021.100361

Ulusal Yenilenebilir Enerji Laboratuvarı tarafından sağlanmıştır

Alıntı: Makine öğrenimi yöntemi, 9 Aralık 2021’de https://techxplore.com/news/2021-12-machine-method-battery-materials.html adresinden alınan yeni pil malzemeleri (2021, 9 Aralık) aramasını hızlandırabilir

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Makine #öğrenimi #yöntemi #yeni #pil #malzemelerinin #aranmasını #hızlandırabilir