预测局部菌株的模型性能 预测 （A） ZrMo、（B） MgO 和 （C） YFe 沿 800 K 分子动力学迹线的形成能
多伦多大学的研究人员开发了一种利用人工智能为清洁能源技术发现新的、更高效的材料的方法。
由斯卡伯勒大学物理与环境科学系助理教授亚历克斯·沃兹尼（Alex Voznyy）领导的一个团队使用机器学习来显着加快寻找具有所需特性的新材料所需的时间。
“我们正在努力寻找我们目前拥有的更好的材料替代品，”Voznyy说，他的研究着眼于开发锂离子电池，储氢，CO2的新材料。捕获和太阳能电池。
“这可能意味着开发全新的材料或使用我们已经知道但从未考虑过用于清洁能源应用的材料。
沃兹尼说，目前用于清洁能源技术的材料的一个主要问题是它们要么昂贵，效率低下，要么处于其能力的极限。他说，目标是通过结合现有材料的元素来创造新的更好的材料。
机器学习模型依赖于材料项目中的数据，材料项目是一个开源数据库，包含过去十年开发的超过140，000种已知材料。它包含有关已知材料成分的信息，包括晶体结构，分子组成，密度，能量传导性和稳定性。
例如，为了弄清楚现有材料的哪种组合可以带来更好的锂离子电池，Voznyy说，可能需要弄清楚新材料的稳定性以及它可以储存多少能量。
挑战在于完成这项工作所需的计算不能很好地扩展。更复杂的材料（如合金）需要两倍的原子来编码，这使得使用传统方法计算的速度慢四倍。进行这些类型的计算目前依赖于一种量子化学方法，Voznyy将其称为“蛮力计算”，因为它速度慢且使用大量计算能力。
相比之下，Voznyy团队开发的模型可以更快地进行这些计算1倍。
“我们的理念是，我们不想再花10年时间准备预测相同结果的数据，”在斯卡伯勒大学 运营清洁能源实验室的沃兹尼说。
“我们希望能够更快、更有效地预测新材料，这样我们就可以更快地开始物理创建这些材料，并更加确定它们会起作用。
以前的模型能够重现已知材料的稳定性，但他们无法预测具有未知晶体结构的材料，这是指原子，离子和分子在材料中的排列方式 – 这是决定其物理性质的重要因素。通过在称为扭曲结构的东西上训练新模型，它提供了对新材料在应变下如何表现的见解，并允许模型将晶体结构松弛到更稳定的配置。
“了解精确的晶体几何形状对于准确预测新材料的特性及其性能至关重要，”Voznyy说。“这种方法大大加快了这一过程，并开辟了许多可能性。
Voznny的团队使用位于SciNet中心的多伦多大学超级计算机Niagara来运行该研究的计算，该研究发表在Patterns杂志上。
