韩国科学家发明了一种机器学习模型,可以预测有机材料的化学反应。稳定性和兼容性的模型可以屏幕在一片广阔的化学空间,并证明其有效性的研究小组使用选择稳定lithium-oxygen电池的电解质。
化学反应的预测通常依赖于激活的理论方法,使用直接计算障碍,或反应动力学估计基于材料的电子性质(电负性,电离作用能量,电子亲和能和软硬程度)。“我们意识到,这些方法找不到电子性质和反应性之间的关系在一个大的化学空间,”笔记Kisuk康首尔国立大学,他领导了这一项目。我们决定利用机器学习的方法来寻找这复杂的关系。基于计算的方法激活能量也有较高的计算成本,这使他们不适合筛选大量的数据。
现在,康和他的同事们Byungju李和Jaekyun柳,都建立在以前的工作通过考虑分子结构(官能团和位阻)和电子性质。多个输入允许他们提高预测的性能比以往的线性回归模型和减少预测误差。“反应性预测是传统试图通过假设描述符与预期的反应机理,如电负性或电离作用能量”,评论亚历山大的城市,他的研究小组调查材料电化学能量储存和转换在哥伦比亚大学,我们。这个模型的强度,它不依赖于这种化学直觉。特征输入澳门万博公司神经网络模型系统编码两分子的电子和结构属性。
康集团lithium-oxygen电池作为一个模型系统来测试他们的机器学习方法。他们调查集中在副反应发生之间的氧化还原介质和电解质电池,这些反应可以永久地降低电化学系统。例如,机器学习模型成功地证明了氧化还原介质5,10-dimethylphenazine (DMPZ+)对电解质四甘醇二甲醚是稳定的,同意实验结果。他们还创建了一个反应性地图绘制93溶剂对氧化还原介质材料。
模型将帮助用户消除高活性材料之前实验。这种类型的模型可能是有用的作为筛查工具选择电解质组件,有更好的机会在一个设备长期稳定的,总结道丽贝卡Gieseking,发展新兴能源技术计算模型来理解材料布兰代斯大学在美国。“现在,该模型只考虑反应发生在电解质和电极的忽略了影响催化剂或活性物种。我期待看到如果研究者能够扩展他们的模型显式地考虑电极。”
还没有评论