Вступление
Батареи - одно из важнейших устройств в современном мире. Они используются практически в любом портативном электронном устройстве: телефонах, автомобилях, игрушках и даже спутниках. Как следствие, они создают несколько фундаментальных проблем, которые необходимо преодолеть, чтобы общество стало устойчивым.
Одна важная проблема, замедляющая движение к менее зависимому от ископаемого топлива обществу, заключается в том, что возобновляемые источники энергии, по большей части, не обеспечивают постоянный поток электричества: солнечная энергия доступна только в солнечные дни (извините, Великобритания), а ветряные турбины нужны, ну , ветер и так далее. Из-за этого произведенную электроэнергию необходимо хранить, что в настоящее время осуществляется очень неэффективными способами.
Например, одним из наиболее распространенных механизмов энергосбережения являются гидроаккумулирующие плотины. Вода преобразуется в потенциальную энергию путем «перекачивания ее вверх по плотине» с использованием электричества, поступающего из возобновляемых источников, которое затем снова преобразуется в электричество, когда оно требуется сети, позволяя ему течь обратно через гидротурбины. Излишне говорить, что в этом процессе теряется много энергии.
Кроме того, современные аккумуляторные технологии состоят из редких минералов, в основном кобальта и лития, которые являются редкими и имеют явно ограниченные запасы. Поскольку эти батареи распространены повсеместно, существует острая необходимость либо сделать существующие батареи более эффективными, чтобы найти способ их чистой переработки, либо найти другие соединения, чтобы диверсифицировать потребление минералов и, надеюсь, быть устойчивыми в долгосрочной перспективе.
Кроме того, производство аккумуляторов в настоящее время имеет большой углеродный след. Производство электромобилей приносит вдвое больше, в основном за счет аккумуляторов. В совокупности эти проблемы являются сильным стимулом для исследования аккумуляторов.
Исследование батареи
Проблема с исследованием батарей - это размер области решения. Существуют сотни миллиардов потенциальных соединений молекул, и чтобы даже начать тестирование этих соединений, нужно найти структуру, которая заставит батареи работать, которые хорошо сохраняют энергию и, что очень важно, являются безопасными.
Следовательно, святым Граалем здесь будет функция, которая, учитывая структуру, быстро выводит различные характеристики, но, конечно, мы все еще очень далеки от этого. Вместо этого цель статьи - попытаться увидеть, можно ли предсказать энергию атомизации молекул. Это свойство можно использовать для немедленной фильтрации плохих соединений и, следовательно, позволить исследователям сосредоточиться на тех, которые обладают большим потенциалом. В настоящее время для их вычисления используются два метода: одному не хватает скорости (G4MP2), а другому - точности (B3LYP).
Здесь начинается подход машинного обучения. Они подошли к трем методам: гребневой регрессии на основе ядра (FCHL) и сверточной нейронной сети с непрерывным фильтром (SchNet), а также с различными целями и моделями. Лучше всего работал метод Δ-обучения. это тренировка на разнице между энергиями B3LYP и G4MP2.
В целом, SchNet-дельта и FCHL-дельта были лучшими моделями перфорирования, достигая аналогичных результатов после обучения. Однако FCHL требовал меньше обучающих данных, но больше вычислительной мощности, тогда как SchNet обладал противоположным свойством. Кроме того, время выполнения FCHL линейно масштабируется с размером набора обучающих данных, поскольку необходимо сравнивать текущую молекулу с известными молекулами, в то время как одним из больших преимуществ нейронных сетей является их скорость выполнения. После обучения сеть сводится к серии умножений матриц. Даже глубокие сверточные нейронные сети на среднем ЦП по-прежнему будут давать результаты порядка десятых долей секунды за одно предсказание. Следовательно, если бы нейронная сеть могла получить хорошую точность, она получила бы скорость бесплатно.
Даже на более тяжелых молекулах, которые намного сложнее предсказать и для которых было меньше или даже не было доступных обучающих данных, модели все равно достигли большей точности, чем B3LYP.
Наша наиболее эффективная модель, SchNet delta, предсказывает энергии G4MP2 с MAE всего 4,5 мэВ (0,1 ккал / моль) после обучения на 117 232 молекулах: намного меньше, чем между экспериментом и G4MP2 (~ 0,8 ккал / моль).
Заключение
В целом, это отличный пример применения машинного обучения в исследовательских целях. Речь идет не о решении проблемы или написании уравнений за нас, а о том, чтобы помочь исследователю сосредоточиться на более многообещающих путях. Я лично считаю, что машинное обучение будет развиваться и достигать максимальных результатов: не как центральный компьютер для принятия решений, а как помощник в принятии решений человеком.
Авторы проделали намного больше работы, чем показано в этой статье, протестировав больше методов в более разнообразных условиях, которые не обсуждались в этой статье. Если интересно, ссылка и справочная информация предоставлены ниже.
Хорошего дня!
использованная литература
« Исследование Рикардо показывает, что электрические и гибридные автомобили имеют более высокий углеродный след во время производства, чем обычные автомобили, но при этом оставляют меньший след на протяжении всего жизненного цикла ». Конгресс зеленых автомобилей. 2011–06–08. Проверено 2011–06–11.
