Outils d’apprentissage automatique dans la conception de matériaux


Outils d'apprentissage automatique dans la conception de matériaux

Les scientifiques ont développé un algorithme d’apprentissage automatique pour prédire la densité cristalline moléculaire 3D à partir de structures chimiques 2D. Crédit photo : Lawrence Livermore National Laboratory

Un objectif de longue date des chimistes de nombreuses industries, notamment l’énergie, les produits pharmaceutiques, l’énergétique, les additifs alimentaires et les semi-conducteurs organiques, est de pouvoir imaginer la structure chimique d’une nouvelle molécule et de prédire comment elle fonctionnera pour une application souhaitée. En pratique, cette vision est difficile et nécessite souvent un travail de laboratoire approfondi pour synthétiser, isoler, purifier et caractériser les molécules nouvellement développées afin d’obtenir les informations souhaitées.

Récemment, une équipe de et d’informaticiens du Lawrence Livermore National Laboratory (LLNL) a réalisé cette vision des molécules énergétiques en créant des modèles d’apprentissage automatique (ML) qui peuvent prédire les propriétés cristallines des molécules à partir de leurs seules structures chimiques, z. Prédire les descripteurs de la structure cristalline (plutôt que la structure cristalline entière) fournit un moyen efficace d’inférer les propriétés d’un matériau, accélérant ainsi la et la découverte de matériaux. La recherche apparaît le Journal of Chemical Information and Modelling.

« L’un des modèles ML les plus connus de l’équipe est capable de prédire la densité cristalline de molécules énergétiques et de type énergétique avec un degré élevé de par rapport aux méthodes précédentes basées sur ML », a déclaré Phan Nguyen, mathématicien appliqué au LLNL et co. -premier auteur de l’article.

« Même comparé à la théorie de la fonctionnelle de la densité (DFT), une méthode de calcul intensive et physiquement solide pour prédire la structure et les propriétés des cristaux, le modèle ML offre une précision compétitive et ne nécessite qu’une fraction du temps de calcul », a déclaré Donald Loveland, informaticien LLNL et co-premier auteur.

Les membres de la High Explosive Application Facility (HEAF) du LLNL ont déjà commencé à utiliser l’interface Web du modèle pour découvrir de nouveaux matériaux énergétiques insensibles. En entrant simplement dans la structure chimique 2D des molécules, les chimistes HEAF pourraient rapidement déterminer la densité cristalline prévue de ces molécules, qui est étroitement corrélée aux mesures de performance de l’énergétique potentielle.

« Nous sommes ravis que les résultats de nos travaux soient appliqués à des missions importantes en laboratoire. Ce travail contribuera certainement à faire avancer la découverte et l’optimisation de nouveaux matériaux », a déclaré Yong Han, scientifique des matériaux du LLNL et chercheur principal du projet.

Le suivi au sein du département de science des matériaux a utilisé le modèle ML en conjonction avec un modèle génératif pour rechercher rapidement et efficacement de grands espaces chimiques pour des candidats à haute densité.

« Les deux efforts repoussent les limites de la recherche sur les matériaux et sont facilités par le nouveau paradigme de la fusion de la science des matériaux et de l’apprentissage automatique », a déclaré Anna Hiszpanski, scientifique des matériaux au LLNL et co-auteur de l’article.

L’équipe continue de rechercher de nouvelles propriétés d’intérêt pour le laboratoire dans le but de fournir aux scientifiques des matériaux une gamme de modèles prédictifs qu’ils peuvent utiliser dans leurs recherches.


Les structures cristallines moléculaires l’enveloppent


Plus d’information:
Phan Nguyen et al., Prédire la densité cristalline des matériaux énergétiques à partir de la structure chimique par apprentissage automatique, Journal of Chemical Information and Modelling (2021). DOI : 10.1021 / acs.jcim.0c01318

Avec l’aimable autorisation du Laboratoire national Lawrence Livermore

Citation: Machine Learning Aids in Materials Design (2021, 11 juin), consulté le 11 juin 2021 à partir de https://phys.org/news/2021-06-machine-aids-materials.html

Ce document est soumis au droit d’auteur. Sauf pour le commerce équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif seulement.

Laisser un commentaire