宁德生活圈

网站首页 信息互动 > 正文

人工智能为发现新的稀土化合物铺平了道路

2022-03-31 16:01:08 信息互动 来源:
导读 人工智能推进了科学家探索材料的方式。艾姆斯实验室和德克萨斯 A&M 大学的研究人员训练了一个机器学习 (ML) 模型来评估稀土化合物的稳

人工智能推进了科学家探索材料的方式。艾姆斯实验室和德克萨斯 A&M 大学的研究人员训练了一个机器学习 (ML) 模型来评估稀土化合物的稳定性。这项工作得到了艾姆斯实验室的实验室指导研究与开发计划 (LDRD) 计划的支持。他们开发的框架建立在当前用于试验化合物和了解化学不稳定性的最先进方法的基础上。

自 20 世纪中叶以来,艾姆斯实验室一直是稀土研究的领导者。稀土元素具有广泛的用途,包括清洁能源技术、储能和永磁体。发现新的稀土化合物是科学家扩大获取这些材料的努力的一部分。

目前的方法基于机器学习 (ML),这是人工智能 (AI) 的一种形式,由计算机算法驱动,通过数据使用和体验进行改进。研究人员使用升级后的艾姆斯实验室稀土数据库 (RIC 2.0) 和高通量密度泛函理论 (DFT) 为他们的机器学习模型奠定了基础。

高通量筛选是一种计算方案,允许研究人员快速测试数百个模型。DFT 是一种量子力学方法,用于研究许多物体系统的热力学和电子特性。基于这些信息收集,开发的 ML 模型使用回归学习来评估化合物的相稳定性。

爱荷华州立大学研究生 Tyler Del Rose 通过编写算法在网络上搜索信息以补充数据库和 DFT 计算,进行了数据库所需的大部分基础研究。他还致力于 AI 预测的实验验证,并通过确保它们代表现实来帮助改进基于 ML 的模型。

“机器学习在这里非常重要,因为当我们谈论新成分时,有序材料对于稀土界的每个人来说都是众所周知的,”与 Guillermo Vazquez 一起领导 DFT 加机器学习工作的 Ames 实验室科学家 Prashant Singh 说和雷蒙多·阿罗亚夫。“然而,当你在已知材料中添加无序时,情况就大不相同了。组合物的数量会显着增加,通常是数千或数百万,你无法使用理论或实验来研究所有可能的组合。”

Singh 解释说,材料分析基于离散反馈循环,其中 AI/ML 模型使用新的 DFT 数据库更新,该数据库基于从我们的实验中获得的实时结构和相位信息。此过程可确保信息从一个步骤传递到下一步,并减少出错的机会。


免责声明: 本文由用户上传,如有侵权请联系删除!


标签: