韩国科学家设计了一种机器学习模型，可以预测有机材料的化学反应性。该模型可以在广泛的化学空间中筛选稳定性和兼容性，研究小组通过使用它来为锂氧电池选择稳定的电解质来证明其有效性。
化学反应性预测通常依赖于直接计算激活势垒的理论方法，或基于材料的电子性质(电负性、电离能、电子亲和性和硬度或柔软度)的反应动力学估计。“我们意识到，这些方法无法在大的化学空间中找到电子性质和反应性之间的关系，”他说Kisuk康他在首尔国立大学领导了这个项目。“我们决定利用机器学习的方法来发现这种复杂的关系。基于计算活化能的方法也有很高的计算成本，这使得它们不适合筛选大量的数据。
现在，Kang和他的同事Byungju Lee和Jaekyun Yoo在之前的工作的基础上，考虑了分子结构(官能团和位阻)和电子性质。与以前的线性回归模型相比，多输入使他们能够提高预测性能并减少预测误差。“反应性预测通常是通过假设与预期反应机制相关的描述符来尝试的，比如电负性或电离能”，评论说亚历山大的城市他的研究小组在美国哥伦比亚大学研究电化学能量存储和转换材料。“这个模型的优势在于它不依赖于化学直觉。进入神经betway必威游戏下载大全网络模型的特征系统地编码了分子的电子和结构特性。”
Kang的团队使用锂氧电池作为模型系统来测试他们的机器学习方法。他们的研究主要集中在电池中氧化还原介质和电解质之间发生的副反应，因为这些反应会永久地降解电化学系统。例如，机器学习模型成功地证明了带电氧化还原介质5,10-二甲非那嗪(DMPZ)+)对电解质四乙二醇二甲醚是稳定的，这与实验结果一致。他们还绘制了93种溶剂对氧化还原介质的反应性图。
该模型将帮助用户在实验之前消除高活性物质。“这种类型的模型可以作为一种有用的筛选工具来选择电解质成分，这些成分在设备中有更好的机会具有长期稳定性。丽贝卡Gieseking他在美国布兰迪斯大学(Brandeis University)开发计算模型，以了解新兴能源技术的材料。目前，该模型只考虑了电解质内发生的反应，而忽略了电极作为催化剂或反应物质的作用。我很期待看到研究人员是否能够扩展他们的模型，明确地考虑电极。”
暂无评论