Un obiettivo di lunga data da parte dei chimici in molti settori, compresa l'energia, prodotti farmaceutici, energetica, additivi alimentari e semiconduttori organici, consiste nell'immaginare la struttura chimica di una nuova molecola ed essere in grado di prevedere come funzionerà per l'applicazione desiderata. In pratica, questa visione è difficile, spesso richiedono un ampio lavoro di laboratorio per sintetizzare, isolato, purificare e caratterizzare molecole di nuova concezione per ottenere le informazioni desiderate.

Recentemente, un team di scienziati informatici e materiali del Lawrence Livermore National Laboratory (LLNL) ha portato a compimento questa visione per le molecole energetiche creando modelli di apprendimento automatico (ML) in grado di prevedere le proprietà cristalline delle molecole solo dalle loro strutture chimiche, come la densità molecolare. La previsione dei descrittori della struttura cristallina (piuttosto che dell'intera struttura cristallina) offre un metodo efficiente per dedurre le proprietà di un materiale, accelerando così la progettazione e la scoperta dei materiali. La ricerca appare in Journal of Chemical Information and Modeling .

"Uno dei modelli ML più importanti del team è in grado di prevedere la densità cristallina di molecole energetiche ed energetiche con un alto grado di accuratezza rispetto ai precedenti metodi basati su ML, " ha detto Phan Nguyen, LLNL matematico applicato e co-primo autore dell'articolo.

"Anche se confrontato con la teoria del funzionale della densità (DFT), un metodo computazionalmente costoso e basato sulla fisica per la struttura cristallina e la previsione delle proprietà cristalline, il modello ML vanta una precisione competitiva pur richiedendo una frazione del tempo di calcolo, " ha detto Donald Loveland, Informatico LLNL e co-primo autore.

I membri dell'High Explosive Application Facility (HEAF) di LLNL hanno già iniziato a sfruttare l'interfaccia web del modello, con l'obiettivo di scoprire nuovi materiali energetici insensibili. Inserendo semplicemente la struttura chimica 2D delle molecole, I chimici HEAF sono stati in grado di determinare rapidamente la densità cristallina prevista di quelle molecole, che è strettamente correlato con le metriche delle prestazioni energetiche potenziali.

"Siamo entusiasti di vedere i risultati del nostro lavoro essere applicati a importanti missioni del Lab. Questo lavoro aiuterà sicuramente ad accelerare la scoperta e l'ottimizzazione di nuovi materiali andando avanti, " disse Yong Han, Scienziato dei materiali LLNL e ricercatore principale del progetto.

Gli sforzi di follow-up all'interno della Divisione Scienza dei Materiali hanno utilizzato il modello ML in combinazione con un modello generativo per cercare ampi spazi chimici in modo rapido ed efficiente per i candidati ad alta densità.

"Entrambi gli sforzi spingono i confini della scoperta dei materiali e sono facilitati attraverso il nuovo paradigma della fusione tra scienza dei materiali e apprendimento automatico, " ha detto Anna Hiszpanski, Scienziato dei materiali LLNL e co-autore corrispondente dell'articolo.

Il team continua a cercare nuove proprietà di interesse per il laboratorio con l'obiettivo di fornire una suite di modelli predittivi per gli scienziati dei materiali da utilizzare nella loro ricerca.