AI được sử dụng để dự đoán sự tổng hợp của các vật liệu mới lạ – “Vật liệu mà không nhà hóa học nào có thể dự đoán được”

Học máy AI đưa ra một lộ trình để xác định các vật liệu mới cho bất kỳ nhu cầu nào, có ý nghĩa trong việc giảm thiểu chất thải và năng lượng xanh.

Các nhà khoa học và các tổ chức dành nhiều nguồn lực hơn mỗi năm cho việc khám phá các vật liệu mới để cung cấp nhiên liệu cho thế giới. Khi các nguồn tài nguyên thiên nhiên ngày càng giảm và nhu cầu về các sản phẩm có giá trị cao hơn và hiệu suất tiên tiến ngày càng tăng, các nhà nghiên cứu ngày càng tìm đến vật liệu nano.

Các hạt nano đã được tìm thấy trong các ứng dụng từ lưu trữ và chuyển đổi năng lượng đến tính toán lượng tử và trị liệu. Nhưng với khả năng hóa học nano về thành phần và cấu trúc rộng lớn cho phép, các phương pháp thử nghiệm nối tiếp để xác định các vật liệu mới đặt ra những giới hạn không thể vượt qua đối với việc khám phá.

Giờ đây, các nhà nghiên cứu tại Đại học Northwestern và Viện Nghiên cứu Toyota (TRI) đã ứng dụng thành công học máy để hướng dẫn tổng hợp các vật liệu nano mới, loại bỏ các rào cản liên quan đến việc khám phá vật liệu. Thuật toán được đào tạo chuyên sâu kết hợp thông qua một tập dữ liệu xác định để dự đoán chính xác các cấu trúc mới có thể cung cấp nhiên liệu cho các quá trình trong các ngành công nghiệp năng lượng sạch, hóa chất và ô tô.

Chad Mirkin, một chuyên gia về công nghệ nano ở Northwestern và là tác giả của bài báo cho biết: “Chúng tôi đã yêu cầu mô hình cho chúng tôi biết hỗn hợp của tối đa bảy nguyên tố sẽ tạo ra thứ gì đó chưa từng được tạo ra trước đây. “Máy đã dự đoán 19 khả năng và sau khi kiểm tra từng khả năng, chúng tôi thấy 18 trong số các dự đoán là đúng.”

Nghiên cứu, “Thiết kế tăng tốc máy học và tổng hợp các dị cấu trúc đa gia tốc,” sẽ được công bố ngày 22 tháng 12 trên tạp chí Science Advances .

Mirkin là Giáo sư Hóa học George B. Rathmann tại Đại học Khoa học và Nghệ thuật Weinberg; một giáo sư về kỹ thuật hóa học và sinh học, kỹ thuật y sinh, và khoa học vật liệu và kỹ thuật tại Trường Kỹ thuật McCormick; và là giáo sư y khoa tại Trường Y Feinberg. Ông cũng là giám đốc sáng lập của Viện Công nghệ Nano Quốc tế.

Lập bản đồ hệ gen vật liệu

Theo Mirkin, điều khiến điều này trở nên quan trọng là quyền truy cập vào các bộ dữ liệu chất lượng và lớn chưa từng có vì các mô hình học máy và thuật toán AI chỉ có thể tốt bằng dữ liệu được sử dụng để đào tạo chúng.

Công cụ tạo dữ liệu, được gọi là “Megalibrary”, được phát minh bởi Mirkin và mở rộng đáng kể tầm nhìn của nhà nghiên cứu. Mỗi Megalibrary chứa hàng triệu hoặc thậm chí hàng tỷ cấu trúc nano, mỗi cấu trúc có hình dạng, cấu trúc và thành phần hơi khác biệt, tất cả đều được mã hóa theo vị trí trên một con chip hai x hai cm vuông. Đến nay, mỗi con chip chứa nhiều vật liệu vô cơ mới hơn bao giờ hết được các nhà khoa học thu thập và phân loại.

Nhóm của Mirkin đã phát triển Megalibraries bằng cách sử dụng một kỹ thuật (cũng do Mirkin phát minh) được gọi là kỹ thuật in thạch bản bằng bút polyme, một công cụ in ấn nano song song khổng lồ cho phép lắng đọng hàng trăm nghìn đặc điểm cụ thể theo từng địa điểm mỗi giây.

Khi lập bản đồ bộ gen người, các nhà khoa học được giao nhiệm vụ xác định sự kết hợp của bốn cơ sở. Nhưng “bộ gen vật liệu” đồng nghĩa lỏng lẻo bao gồm các tổ hợp hạt nano của bất kỳ nguyên tố nào trong số 118 nguyên tố có thể sử dụng được trong bảng tuần hoàn, cũng như các thông số về hình dạng, kích thước, hình thái pha, cấu trúc tinh thể và hơn thế nữa. Việc xây dựng các tập hợp con nhỏ hơn của các hạt nano ở dạng Megalibraries sẽ đưa các nhà nghiên cứu tiến gần hơn đến việc hoàn thành bản đồ đầy đủ của bộ gen vật liệu.

Mirkin nói rằng ngay cả với một thứ tương tự như “bộ gen” của vật liệu, việc xác định cách sử dụng hoặc dán nhãn chúng đòi hỏi những công cụ khác nhau.

Mirkin nói: “Ngay cả khi chúng ta có thể tạo ra vật liệu nhanh hơn bất kỳ ai trên trái đất, thì đó vẫn là một giọt nước trong đại dương khả năng. “Chúng tôi muốn xác định và khai thác bộ gen vật liệu, và cách chúng tôi làm điều đó là thông qua trí tuệ nhân tạo.”

Các ứng dụng học máy phù hợp lý tưởng để giải quyết sự phức tạp của việc xác định và khai thác hệ gen vật liệu, nhưng được hạn chế bởi khả năng tạo bộ dữ liệu để đào tạo các thuật toán trong không gian. Mirkin cho biết sự kết hợp giữa Megalibraries với máy học cuối cùng có thể loại bỏ vấn đề đó, dẫn đến việc hiểu được những thông số nào thúc đẩy các thuộc tính vật liệu nhất định.

‘Vật liệu không nhà hóa học nào có thể dự đoán được’

Nếu Megalibraries cung cấp bản đồ, thì học máy cung cấp chú giải.

Sử dụng Megalibraries làm nguồn cung cấp dữ liệu vật liệu chất lượng cao và quy mô lớn để đào tạo các thuật toán trí tuệ nhân tạo (AI), cho phép các nhà nghiên cứu thoát khỏi “trực giác hóa học sắc bén” và thử nghiệm nối tiếp thường đi kèm với quá trình khám phá vật liệu, theo Mirkin.

Mirkin nói: “Northwestern có khả năng tổng hợp và khả năng xác định đặc tính hiện đại để xác định cấu trúc của các vật liệu mà chúng tôi tạo ra. “Chúng tôi đã làm việc với nhóm AI của TRI để tạo ra dữ liệu đầu vào cho các thuật toán AI mà cuối cùng đưa ra những dự đoán về vật liệu mà không nhà hóa học nào có thể dự đoán được”.

Trong nghiên cứu, nhóm đã biên soạn dữ liệu cấu trúc Megalibrary được tạo ra trước đó bao gồm các hạt nano có thành phần, cấu trúc, kích thước và hình thái phức tạp. Họ sử dụng dữ liệu này để đào tạo mô hình và yêu cầu nó dự đoán các thành phần của bốn, năm và sáu phần tử sẽ dẫn đến một đặc điểm cấu trúc nhất định. Trong 19 lần dự đoán, mô hình máy học đã dự đoán vật liệu mới chính xác 18 lần – tỷ lệ chính xác xấp xỉ 95%.

Với ít kiến thức về hóa học hoặc vật lý, chỉ sử dụng dữ liệu đào tạo, mô hình đã có thể dự đoán chính xác các cấu trúc phức tạp chưa từng tồn tại trên trái đất.

Joseph Montoya, nhà khoa học nghiên cứu cấp cao tại TRI, cho biết: “Như những dữ liệu này cho thấy, việc ứng dụng học máy, kết hợp với công nghệ Megalibrary, có thể là con đường cuối cùng xác định bộ gen vật liệu.

Các hạt nano kim loại có triển vọng xúc tác các phản ứng quan trọng trong công nghiệp như quá trình tiến hóa hydro, khử carbon dioxide (CO ₂ ), khử và tiến hóa oxy. Mô hình được đào tạo trên một tập dữ liệu lớn do Tây Bắc xây dựng để tìm kiếm các hạt nano đa kim loại với các thông số được thiết lập xung quanh pha, kích thước, chiều và các đặc điểm cấu trúc khác làm thay đổi các đặc tính và chức năng của các hạt nano.

Công nghệ Megalibrary cũng có thể thúc đẩy những khám phá trên nhiều lĩnh vực quan trọng đối với tương lai, bao gồm cả nhựa nâng cấp, pin mặt trời, chất siêu dẫn và qubit.

Một công cụ hoạt động tốt hơn theo thời gian

Trước khi xuất hiện các siêu đại lý, các công cụ học máy được đào tạo dựa trên các tập dữ liệu chưa hoàn chỉnh do những người khác nhau thu thập vào các thời điểm khác nhau, hạn chế khả năng dự đoán và khả năng tổng quát hóa của chúng. Megalibraries cho phép các công cụ học máy làm những gì chúng làm tốt nhất – học hỏi và trở nên thông minh hơn theo thời gian. Mirkin cho biết mô hình của họ sẽ chỉ tốt hơn trong việc dự đoán vật liệu chính xác vì nó được cung cấp nhiều dữ liệu chất lượng cao hơn được thu thập trong các điều kiện được kiểm soát.

Montoya nói: “Tạo ra khả năng AI này là có thể dự đoán các vật liệu cần thiết cho bất kỳ ứng dụng nào. “Chúng tôi càng có nhiều dữ liệu, chúng tôi càng có khả năng dự đoán cao hơn. Khi bạn bắt đầu đào tạo AI, bạn bắt đầu bằng cách bản địa hóa nó trên một tập dữ liệu, và khi nó học được, bạn tiếp tục bổ sung ngày càng nhiều dữ liệu – giống như đưa một đứa trẻ đi từ mẫu giáo đến bằng Tiến sĩ của chúng. Kinh nghiệm và kiến thức tổng hợp cuối cùng quyết định họ có thể đi bao xa. ”

Nhóm nghiên cứu hiện đang sử dụng phương pháp này để tìm ra các chất xúc tác quan trọng đối với các quá trình cung cấp nhiên liệu trong các ngành công nghiệp năng lượng sạch, ô tô và hóa chất. Việc xác định các chất xúc tác xanh mới sẽ cho phép chuyển đổi các chất thải và nguồn nguyên liệu dồi dào thành vật chất hữu ích, tạo hydro, sử dụng carbon dioxide và phát triển pin nhiên liệu. Sản xuất chất xúc tác cũng có thể được sử dụng để thay thế các vật liệu hiếm và đắt tiền như iridi, kim loại được sử dụng để tạo ra các sản phẩm _{khử hydro và CO 2 màu xanh lá cây.}

Tham khảo: “Thiết kế tăng tốc máy học và tổng hợp các dị cấu trúc đa lượng” ngày 22 tháng 12 năm 2021, Science Advances .
DOI: 10.1126 / sciadv.abj5505

Nghiên cứu được hỗ trợ bởi TRI. Hỗ trợ bổ sung đến từ Sherman Fairchild Foundation, Inc., và Văn phòng Nghiên cứu Khoa học Không quân (số giải thưởng FA9550-16-1-0150 và FA9550-18-1-0493). Đồng tác giả của Northwestern là sinh viên tiến sĩ khoa học vật liệu và kỹ thuật Carolin B. Wahl và sinh viên tiến sĩ hóa học Jordan H. Swisher, cả hai đều là thành viên của phòng thí nghiệm Mirkin. Các tác giả từ TRI bao gồm Muratahan Aykol và Montoya.

Công trình này sử dụng cơ sở EPIC của Trung tâm NU ANCE của Đại học Northwestern, đã nhận được sự hỗ trợ từ Nguồn thực nghiệm công nghệ nano mềm và lai (SHyNE) (NSF ECCS-1542205); chương trình MRSEC (NSF DMR-1720139) tại Trung tâm Nghiên cứu Vật liệu; Viện Công nghệ Nano Quốc tế (IIN); Quỹ Keck; và Bang Illinois, thông qua IIN.

Theo Scitechdaily