AI教本身来确定材料,预测新的

深度学习神经网络训练50000晶体结构的无机材料已获得的能力认识到化学相似性和预测新材料。

找出一个方法的两个元素周期表是否会形成一个晶体材料是一个屡试不爽的“震动和烘烤”——把它们混合在一系列不同的化学计量学和最好的希望。二进制材料从而很好地覆盖在科学文献,但是这种方法不能跟上提供的更复杂的组合可能性三个或更多的元素。

因此,预测哪些元素的比例组合形成常规固体是必要的和他们持有的承诺和理想的新材料,甚至前所未有的属性。目前的预测方法通常使用进化算法和将它们应用于随机结构开始。这些方法依赖于冗长的能量计算,这使得他们很难快速部署。

凯文•莱恩,杰夫·阿帕德和迈克尔Shatruk美国佛罗里达州立大学已经开发出一种新方法使用深层神经网络对这个问题。这种复杂的人工智能负责最近的机器学习的兴趣复苏和自动驾驶汽车的出现。

他们训练网络50000无机晶体结构而不给它任何的化学理论知识,使其从几何计算出化学安排单独的原子在晶体。测试显示,网络学会识别相似的组内元素周期表。

神经网络,一般来说,开发自己的内部,在训练数据驱动表示,“瑞恩解释说,一位研究生开发模型。“在目前的情况下,网络开发了自己的表示从一种新的指纹传达关于原子的三维信息网站的环境。新的指纹可以被认为是12虚拟网站给网络周围的“眼睛”多个角度。

网络使用的化学知识培训期间获得识别哪些假设,组合生成的晶体结构是最合理的。网络的成功取决于如何识别真正的晶体的例子,它从未见过在训练从大的诱饵。研究人员发现,在30%的情况下,排名至少一个已知化合物10中最有可能的可能性。与其他结构预测方法相比,该模型的性能是不限于小,人工结构的子集。

生成的预测模型是有吸引力的因为它近实时进行评价,可以负担得起的个人电脑。进行预测时,用户只需输入一组所需的化学元素,在几秒钟内,程序返回一个结果列表,瑞恩解释说。这个列表提供了一组可管理的建议在三个或更多的天文数字的可能的组合元素。这些可能不是正确和明确的答案,但研究人员可以很容易地进行测试实验,他们可能会导致新材料的发现与有趣的属性。

Artem R Oganov从俄罗斯的斯科尔科沃科技研究所,在他早期的作品开发所使用的结构的指纹在这项研究中,欢迎提前谨慎。”这是一个很好的纸,但是我们仍然在一开始,”他说。的主要问题,根据Oganov,不一定是唯一的事实表示一个特定的结构和现有的相对不完备数据相比的可能的组合元素。仍然有重要的问题需要解决,才能成为每个人的工具。”