Давняя цель химиков из многих отраслей, включая энергетику, фармацевтику, пищевые добавки и органические полупроводники, — представить химическую структуру новой молекулы и уметь предсказать, как она будет функционировать для желаемого применения. На практике это видение затруднено, часто требуя обширной лабораторной работы для синтеза, выделения, очистки и определения характеристик вновь созданных молекул для получения желаемой информации.
Недавно группа специалистов из Ливерморской национальной лаборатории Лоуренса (LLNL) реализовали это видение для энергетических молекул, создав модели машинного обучения (ML), которые могут предсказывать кристаллические свойства молекул только на основе их химических структур , таких как молекулярная плотность. . Прогнозирование дескрипторов кристаллической структуры (а не всей кристаллической структуры) предлагает эффективный метод для определения свойств материала, тем самым ускоряя разработку и обнаружение материалов. Исследование опубликовано в Журнале химической информации и моделирования .
«Одна из самых известных моделей машинного обучения группы способна предсказывать кристаллическую плотность энергичных и похожих на энергию молекул с высокой степенью точности по сравнению с предыдущими методами на основе машинного обучения», — сказал Фан Нгуен, математи LLNL и соавтор. статьи.
«Даже по сравнению с теорией функционала плотности (DFT), дорогостоящим с точки зрения вычислений и основанным на физических принципах методом предсказания кристаллической структуры и кристаллических свойств, модель ML может похвастаться конкурентоспособной точностью, требуя при этом лишь доли времени вычислений», — сказал Дональд Лавленд, LLNL.
Члены лаборатории по применению взрывчатых веществ (HEAF) LLNL уже начали пользоваться преимуществами веб-интерфейса модели с целью обнаружения новых нечувствительных энергетических материалов. Просто введя двумерную химическую структуру молекул, химики HEAF смогли быстро определить прогнозируемую кристаллическую плотность этих молекул, которая тесно коррелирует с показателями эффективности.
«Мы рады видеть, что результаты нашей работы будут применены к важным задачам лаборатории. Эта работа, безусловно, поможет ускорить открытие и оптимизацию новых материалов», — сказал Йонг Хан, специалист по материалам LLNL и главный исследователь проекта. .
Команда продолжает поиск новых свойств, представляющих интерес для лаборатории, с целью предоставления набора прогностических моделей для материаловедов, которые будут использовать их в своих исследованиях.
Дополнительная информация: Фан Нгуен и др., Прогнозирование кристаллической плотности энергетических материалов на основе химической структуры с помощью машинного обучения, Журнал химической информации и моделирования (2021 г.). DOI: 10.1021 / acs.jcim.0c01318
Иллюстрация: Ливерморская национальная лаборатория Лоуренса
Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК