神经网络研究利用定制设计将属性与材料配对

导读由美国能源部橡树岭国家实验室的研究人员领导的一项研究可以帮助使材料设计像点击一样可定制。发表在npjComputationalMaterials上的研究使

由美国能源部橡树岭国家实验室的研究人员领导的一项研究可以帮助使材料设计像点击一样可定制。发表在npjComputationalMaterials上的研究使用可逆神经网络(一种模仿人脑的人工智能)来选择最适合所需特性的材料,例如柔韧性或耐热性,并具有很高的化学精度。该团队的研究结果为定制科学设计和加快从绘图板到生产线的旅程提供了潜在的蓝图。

橡树岭国家实验室的研究人员使用可逆神经网络(一种模仿人脑的人工智能)来选择最适合所需特性的材料,例如柔韧性或耐热性,并具有很高的化学精度。该研究可能会为工业带来更多可定制的材料设计。图片来源:张家新/ORNL

“这些结果是扩大材料设计能力的非常好的第一步,”该研究的主要作者、ORNL纳米材料科学中心的EugeneWigner研究员VictorFung说。“我们不是采用材料并预测其给定特性,而是希望为我们的目的选择理想的特性,然后以高度的信心快速有效地设计这些特性。这就是所谓的逆向设计。它经常被讨论,但很少有逆向设计的具体演示能够达到这种高精度。”

神经网络依赖于数以百万计的数字神经元和类似于大脑中的突触。神经元可以独立运行,不必以传统方式执行计算。可逆神经网络的神经元像标记团队一样一对一地运行,这一过程称为双射函数逼近。

研究中使用的逆向设计方法利用可逆神经架构的进步来实现前向映射,或将输入相加以产生结果,以及反向映射,或从结果开始并返回推导初始输入。

“传统算法的计算量可能非常大,它们无法保证最佳设计,”ORNL的人工智能科学家、该研究的合著者张家新说。“我们有这么多可能的材料,搜索空间很大。但是我们可以从现有数据中生成一小批样本,并用它来表示整个搜索空间。我们可以使用这些样本来训练神经网络,给它一个特定的期望结果,并让它探索所有可能的候选者。该模型会在运行过程中学习并提供更准确的结果。”

该团队使用来自ORNL的科学计算和数据环境以及劳伦斯伯克利国家实验室的国家能源科学计算中心执行的总共11,000次量子化学计算的数据对神经网络进行了训练。该团队利用神经网络确定二维材料二硫化钼的必要应变,以产生特定的带隙或阻止导电性的能量范围。该模型能够指定调整材料带隙所需的几乎精确的施加应变,从而可以进一步研究其金属绝缘体转变——从高电导率到低电导率的变化。

“我们达到了接近化学精度,”冯说。“就这一特殊应用而言,这绝对是这种逆向设计的首创。这是一种通用方法,具有广泛的应用程序,易于训练且易于扩展,我们非常有信心它是目前此类问题的最佳模型。”

该团队已经公开了神经网络代码,并希望使用ORNL的200-petaflop超级计算系统Summit或即将推出的exascale超级计算系统Frontier进行更多研究,以进一步完善该方法。Summit和Frontier是美国能源部科学办公室用户设施OakRidgeLeadershipComputingFacility的一部分。

“可用的计算资源越多,我们可以用来训练模型的样本就越多,”张说。“我们很高兴能够利用这种经验来探索其他材料和设计。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢