研究人员利用机器学习和人工智能 大大加快电池研发过程

为电池组件设计最佳分子构成，是一项复杂的工作。就像以数十亿种潜在配料为基础，创造新的蛋糕配方。设计人员需要面临诸多挑战，比如确定将哪些成分搭配在一起最合适。而且，即使拥有最先进的超级计算机，科学家们也无法精确地模拟每一种分子的化学特性，以证明其能成为下一代电池材料的基础。

据外媒报道，美国能源部阿贡国家实验室的研究人员，借助机器学习和人工智能的力量，大大加快电池研发过程。首先，研究人员通过G4MP2计算密集型模型，建立高度精确的数据库，其中包含大约13.3万个小有机分子，可能构成电池基本电解质。然而，这些只是科学家们想要研究的1660亿个大分子中的一小部分。为了节省计算时间和力量，研究小组使用机器学习算法，将小数据组中的精确已知结构，与大数据组中较粗的建模结构联系起来。阿贡数据科学与学习部门负责人IanFoster表示：我们相信，机器学习代表了一种方法。只需花费一小部分计算成本，就可获得接近精确的分子图像。

为了给机器学习模型打下基础，Foster和同事在密度泛函理论基础上，采用计算量较小的建模框架，通过该量子力学建模框架，计算大系统中的电子结构。密度泛函理论可以较好地诠释分子性质，但不如G4MP2准确。

为了更好、更广泛地了解有机分子信息，需要使用高精度G4MP2计算分子中原子的位置，并将其与仅用密度泛函理论分析的分子进行比较，以改进算法。研究人员以G4MP2为标准，训练密度泛函理论模型，在其中加入修正因子，以降低计算成本，并提高精确度。

阿贡计算科学家LoganWard表示：机器学习算法为我们提供一种方法，研究大分子中原子和它们的邻居之间的关系，了解它们如何结合并相互作用，寻找这些分子和我们所熟知的其他分子之间的相似之处。我们可以在此基础上，预测大分子的能量，或高低精确度计算之间的差异。

阿贡化学家RajeevAssary表示：我们推出这一项目，希望尽可能得到电池电解质候选组分的最大图像。要将一种分子用于能量存储应用，我们需要了解其性质，比如稳定性。通过机器学习，我们可以更加准确地预测大分子的性质。