Progettare i migliori mattoni molecolari per i componenti delle batterie è come cercare di creare una ricetta per un nuovo tipo di torta, quando hai miliardi di potenziali ingredienti. La sfida consiste nel determinare quali ingredienti funzionano meglio insieme o, più semplicemente, produrre un commestibile (o, nel caso delle batterie, un prodotto sicuro). Ma anche con i supercomputer all'avanguardia, gli scienziati non possono modellare con precisione le caratteristiche chimiche di ogni molecola che potrebbe rivelarsi la base di un materiale per batterie di prossima generazione.

Anziché, I ricercatori dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE) si sono rivolti alla potenza dell'apprendimento automatico e dell'intelligenza artificiale per accelerare notevolmente il processo di scoperta della batteria.

Come descritto in due nuovi documenti, I ricercatori di Argonne hanno creato per la prima volta un database altamente accurato di circa 133, 000 piccole molecole organiche che potrebbero costituire la base degli elettroliti delle batterie. Fare così, hanno usato un modello computazionalmente intensivo chiamato G4MP2. Questo insieme di molecole, però, rappresentava solo un piccolo sottoinsieme di 166 miliardi di molecole più grandi che gli scienziati volevano sondare per i candidati elettroliti.

Perché l'utilizzo di G4MP2 per risolvere ciascuno dei 166 miliardi di molecole avrebbe richiesto una quantità impossibile di tempo e potenza di calcolo, il team di ricerca ha utilizzato un algoritmo di apprendimento automatico per mettere in relazione le strutture conosciute con precisione dal set di dati più piccolo a strutture modellate in modo molto più grossolano dal set di dati più grande.

"Quando si tratta di determinare come funzionano queste molecole, ci sono grandi compromessi tra la precisione e il tempo necessario per calcolare un risultato, "ha detto Ian Foster, Direttore della divisione Argonne Data Science and Learning e autore di uno dei documenti. "Riteniamo che l'apprendimento automatico rappresenti un modo per ottenere un'immagine molecolare quasi altrettanto precisa a una frazione del costo computazionale".

Per fornire una base per il modello di apprendimento automatico, Foster e i suoi colleghi hanno utilizzato un quadro di modellazione meno oneroso dal punto di vista computazionale basato sulla teoria del funzionale della densità, una struttura di modellazione meccanica quantistica utilizzata per calcolare la struttura elettronica in sistemi di grandi dimensioni. La teoria del funzionale della densità fornisce una buona approssimazione delle proprietà molecolari, ma è meno preciso di G4MP2.

Perfezionare l'algoritmo per accertare meglio le informazioni sulla classe più ampia di molecole organiche coinvolte confrontando le posizioni atomiche delle molecole calcolate con il G4MP2 altamente accurato rispetto a quelle analizzate utilizzando solo la teoria del funzionale della densità. Utilizzando G4MP2 come gold standard, i ricercatori potrebbero addestrare il modello della teoria del funzionale della densità a incorporare un fattore di correzione, migliorandone la precisione mantenendo bassi i costi di calcolo.

"L'algoritmo di apprendimento automatico ci offre un modo per esaminare la relazione tra gli atomi in una grande molecola e i loro vicini, per vedere come si legano e interagiscono, e cercare somiglianze tra quelle molecole e altre che conosciamo abbastanza bene, " ha detto lo scienziato computazionale di Argonne Logan Ward, un autore di uno degli studi. "Questo ci aiuterà a fare previsioni sulle energie di queste molecole più grandi o sulle differenze tra i calcoli a bassa e ad alta precisione".

"L'intero progetto è progettato per darci il quadro più ampio possibile dei candidati agli elettroliti delle batterie, " ha aggiunto il chimico di Argonne Rajeev Assary, autore di entrambi gli studi. "Se utilizzeremo una molecola per applicazioni di accumulo di energia, abbiamo bisogno di conoscere proprietà come la sua stabilità, e possiamo usare questo apprendimento automatico per prevedere le proprietà di molecole più grandi in modo più accurato".

Un documento che descrive la formazione del set di dati basato su G4MP2, "Energie chimiche quantistiche accurate per 133, 000 molecole organiche, " apparso nel numero online del 27 giugno di Scienze chimiche .

Un secondo articolo che descrive l'algoritmo di apprendimento automatico, "Previsione dell'apprendimento automatico di energie di atomizzazione accurate di molecole organiche da calcoli di chimica quantistica a bassa fedeltà, " apparso nel numero del 27 agosto di Comunicazioni MRS .