為電池組件設(shè)計最佳分子構(gòu)成，是一項復雜的工作。就像以數(shù)十億種潛在配料為基礎(chǔ)，創(chuàng)造新的蛋糕配方。設(shè)計人員需要面臨諸多挑戰(zhàn)，比如確定將哪些成分搭配在一起最合適。而且，即使擁有最先進的超級計算機，科學家們也無法精確地模擬每一種分子的化學特性，以證明其能成為下一代電池材料的基礎(chǔ)。

據(jù)外媒報道，美國能源部阿貢國家實驗室的研究人員，借助機器學習和人工智能的力量，大大加快電池研發(fā)過程。首先，研究人員通過G4MP2計算密集型模型，建立高度精確的數(shù)據(jù)庫，其中包含大約13.3萬個小有機分子，可能構(gòu)成電池基本電解質(zhì)。然而，這些只是科學家們想要研究的1660億個大分子中的一小部分。為了節(jié)省計算時間和力量，研究小組使用機器學習算法，將小數(shù)據(jù)組中的精確已知結(jié)構(gòu)，與大數(shù)據(jù)組中較粗的建模結(jié)構(gòu)聯(lián)系起來。阿貢數(shù)據(jù)科學與學習部門負責人IanFoster表示：“我們相信，機器學習代表了一種方法。只需花費一小部分計算成本，就可獲得接近精確的分子圖像?！?/p>

為了給機器學習模型打下基礎(chǔ)，F(xiàn)oster和同事在密度泛函理論基礎(chǔ)上，采用計算量較小的建?？蚣埽ㄟ^該量子力學建?？蚣?，計算大系統(tǒng)中的電子結(jié)構(gòu)。密度泛函理論可以較好地詮釋分子性質(zhì)，但不如G4MP2準確。

為了更好、更廣泛地了解有機分子信息，需要使用高精度G4MP2計算分子中原子的位置，并將其與僅用密度泛函理論分析的分子進行比較，以改進算法。研究人員以G4MP2為標準，訓練密度泛函理論模型，在其中加入修正因子，以降低計算成本，并提高精確度。

阿貢計算科學家LoganWard表示：“機器學習算法為我們提供一種方法，研究大分子中原子和它們的鄰居之間的關(guān)系，了解它們?nèi)绾谓Y(jié)合并相互作用，尋找這些分子和我們所熟知的其他分子之間的相似之處。我們可以在此基礎(chǔ)上，預測大分子的能量，或高低精確度計算之間的差異?！?/p>

阿貢化學家RajeevAssary表示：“我們推出這一項目，希望盡可能得到電池電解質(zhì)候選組分的最大圖像。要將一種分子用于能量存儲應(yīng)用，我們需要了解其性質(zhì)，比如穩(wěn)定性。通過機器學習，我們可以更加準確地預測大分子的性質(zhì)。”