La capacità di generare nanomateriali ottimizzati con reti neurali artificiali può rivoluzionare in modo significativo il futuro della progettazione dei materiali nella scienza dei materiali. Mentre gli scienziati avevano progressivamente creato molecole piccole e semplici, materiali porosi cristallini complessi devono ancora essere generati utilizzando reti neurali. In un recente rapporto su Progressi scientifici , Baekjun Kim e un team di ricercatori del Dipartimento di ingegneria chimica e biomolecolare del Korea Advanced Institute of Science and Technology, Repubblica di Corea, implementato una rete generativa di contraddittorio.

Hanno prodotto 121 materiali porosi cristallini utilizzando un training set di 31, 713 zeoliti conosciute. La nuova rete neurale ha ricevuto input sotto forma di energia e dimensioni dei materiali per produrre in modo affidabile zeoliti con un intervallo desiderato dall'utente di 4 kJ/mol di calore di assorbimento del metano. Hanno designato la dimensione energetica nel lavoro come l'energia potenziale del metano. La messa a punto delle capacità desiderate dall'utente può potenzialmente accelerare lo sviluppo dei materiali, dimostrando un caso di successo di progettazione inversa di materiali porosi.

Gli scienziati dei materiali hanno condotto ricerche significative per scoprire nuovi materiali utilizzando l'intelligenza artificiale negli ultimi anni. Hanno compiuto notevoli progressi utilizzando una varietà di reti neurali artificiali (ANN) per generare molecole e materiali sconosciuti. Però, Le ANN devono ancora essere utilizzate con successo per creare nuovi materiali cristallini, dal momento che l'apprendimento automatico aveva finora previsto solo le proprietà dei materiali, composizioni, energia di banda proibita, assorbimenti di energia di formazione e adsorbimento di gas. I materiali porosi cristallini contengono disposizioni dense di pori microscopici per un'area superficiale e un volume dei pori più elevati. Sono una classe importante di materiali per una varietà di diverse applicazioni legate all'energia e all'ambiente. Rispetto ad altri materiali cristallini, materiali porosi come zeoliti, le strutture metalliche organiche (MOF) e le strutture organiche covalenti (COF) sono relativamente più difficili da generare utilizzando le ANN a causa della maggiore complessità.

In questo studio, Kim et al. ha ideato una RNA per generare materiali porosi cristallini mirando specificamente a un problema di caso di studio per produrre strutture di zeolite di silice pura, scelti per la loro semplicità strutturale. Il team ha utilizzato una vasta gamma di materiali disponibili su un database aperto di ipotetiche zeoliti per addestrare la rete neurale. Le zeoliti sono classicamente definite come alluminosilicati con strutture tridimensionali aperte (3-D) contenenti TO di condivisione degli angoli ₄ tetraedri dove T è Alluminio (Al) o Silicio (Si).

Mentre alcuni sforzi di ricerca precedenti hanno utilizzato un algoritmo di evoluzione per indirizzare le proprietà dei materiali, tali metodi convenzionali portano alla generazione di forza bruta di materiali porosi, richiedendo uno screening computazionalmente costoso per identificare i materiali ottimali per una data applicazione. La maggior parte di questi materiali generati ha proprietà scadenti, influenzare l'allocazione inefficiente delle risorse computazionali. Kim et al. ha progettato la nuova rete neurale per rappresentare gli input sia nella dimensione materiale che in quella energetica. Il nuovo algoritmo ha il vantaggio unico di ottenere la progettazione inversa dei materiali utilizzando le ANN per polarizzare la dimensione energetica correlata alle proprietà dei materiali.

Rete antagonista generativa per zeoliti.

Il team ha utilizzato reti generative avversarie (GAN) per produrre materiali porosi cristallini grazie alla loro maggiore capacità di produrre oggetti realistici come i volti umani. Il GAN ​​conteneva un discriminatore e un generatore, dove la discriminazione potrebbe differenziare tra i dati reali e falsi, poiché il generatore agisce per ingannare il discriminatore formando progressivamente oggetti realistici (ma finti). Questa configurazione potrebbe far avanzare l'apprendimento contraddittorio generando oggetti sempre più realistici come sottoprodotto del miglioramento del processo di apprendimento sia per il discriminatore che per il generatore.

Poiché l'obiettivo di questo lavoro era generare materiali e forme energetiche, Kim et al. formato un nuovo tipo di GAN chiamato zeolite GAN (ZeoGAN). Il team mirava a produrre materiali zeolitici realistici utilizzando il generatore in ZeoGAN con le corrispondenti forme di energia per aggiungere diverse funzionalità alla configurazione. Hanno aggiunto un'imbottitura periodica all'interno del critico (o discriminatore) per evitare di generare forme non realistiche che potrebbero portare a legami irrealistici, e la convergenza facilitata sia per i materiali che per le forme di energia aggiungendo la corrispondenza delle funzionalità a ZeoGAN.

Nella presente configurazione sperimentale, hanno diviso l'input alla rete neurale in materiali e griglie energetiche, con la griglia dei materiali ulteriormente suddivisa nelle griglie degli atomi di silicio e ossigeno basate su simulazioni molecolari classiche. Gli scienziati hanno utilizzato tre griglie ciascuna e hanno mantenuto il numero di punti della griglia piccolo e costante per ridurre il costo della memoria, poiché griglie più grandi possono portare a un processo di apprendimento molto lento. Rappresentavano le posizioni degli atomi di silicio (Si) e di ossigeno (O) utilizzando funzioni gaussiane, dove il picco della gaussiana corrispondeva alla posizione degli atomi di Zeolite.

Generazione di zeoliti di silice pura

Gli scienziati hanno utilizzato un totale di 31, 173 zeoliti accessibili al metano per addestrare la rete neurale. Il processo di apprendimento di ZeoGAN ha mostrato l'evoluzione delle forme di materiale/energia dalle loro distribuzioni di rumore gaussiane iniziali. Hanno addestrato il discriminatore a stimare la distanza del motore della terra (EMD) tra la distribuzione dei dati e la distribuzione del generatore, e addestrato il generatore a ridurre al minimo l'EMD in modo da generare campioni realistici. Inizialmente, le forme di materiale/energia assomigliavano alla tipica distribuzione del rumore, ma man mano che l'apprendimento progrediva, hanno occupato regioni separate nello spazio delle cellule unitarie per trasformarsi in forme che ricordano le tipiche zeoliti.

In totale, hanno generato 1 milione di forme di zeolite (materiale ed energia) dallo ZeoGAN. Da queste forme, hanno assegnato le posizioni degli atomi di ossigeno e silicio utilizzando una semplice regola e hanno calcolato il rapporto Si:O per ciascuna uscita. Le forme di zeolite si sono evolute mentre superavano con successo un'operazione di pulizia per ottenere un rapporto Si:O ottimale e una connettività di legame al 100%. Da questo insieme, hanno mantenuto strutture con un piccolo numero di atomi di T simmetricamente unici (dove T è Al o Si). Le strutture rilassate finali assomigliavano alle loro forme iniziali di zeolite, indicando che la post-elaborazione non ha alterato significativamente l'essenza delle nuove forme di zeolite. Kim et al. ottenuto un totale di otto strutture risultanti dopo la bonifica, che non erano nel training set originale per indicare la riuscita creazione di nuove zeoliti utilizzando ZeoGAN.

Utilizzo di ZeoGAN per la progettazione inversa delle zeoliti

Le zeoliti finora generate da ZeoGAN non contenevano le proprietà desiderate dall'utente. Per migliorare il design, il team di ricerca ha selezionato di alterare il calore di adsorbimento del metano e la funzione di perdita di ZeoGAN per generare zeoliti con valori di calore di adsorbimento compresi tra 18 e 22 kJ/mol. Il team ha osservato un brusco cambiamento nella distribuzione del calore di adsorbimento del metano all'interno dei dati per 1 milione di forme di zeolite appena generate e desiderate dall'utente, indicando la corretta funzione del criterio desiderato dall'utente. I valori non erano correlati con la nuova funzione di perdita, però. Il team ha quindi implementato un processo di pulizia simile (come prima), per il milione di forme di zeolite desiderate dall'utente, per produrre sei nuove zeoliti e una zeolite anch'esse precedentemente prodotte all'interno del set desiderato non dall'utente. Di queste sei zeoliti, quattro hanno mantenuto il calore di adsorbimento del metano tra 18 e 22 kJ/mol come previsto, indicando il successo del disegno inverso delle zeoliti.

Questi esperimenti sono stati un primo studio, poiché i precedenti modelli sperimentali o computazionali non avevano finora prodotto proprietà all'interno di questo intervallo specifico desiderato dall'utente. Inoltre, quando Kim et al. rimosse le restrizioni per il numero di atomi di T unici possibili per i candidati zeoliti generati dalle ANN, hanno osservato un aumento significativo del numero di zeoliti di nuova formazione. In questo modo, hanno ottenuto 121 strutture di zeolite fattibili in totale utilizzando la RNA sviluppata internamente, estendere con successo il numero di nuove zeoliti all'interno dello spazio materiale della zeolite di silice pura.

Questo lavoro aprirà potenzialmente la strada per incorporare le ANN per mirare alle proprietà desiderate dall'utente prima della progettazione e della sintesi dei materiali. Sebbene la RNA sia limitata ai soli atomi di silicio e ossigeno qui per semplicità, il numero di canali di ingresso può essere aumentato per coprire materiali cristallini più complessi come MOF e COF. Lo scopo di questo lavoro può essere ampliato per influenzare la progettazione futura di diverse classi di materiali.

© 2020 Scienza X Rete