TiaSang
Thứ hai, Ngày 27 tháng 1 năm 2020
Đổi mới sáng tạo

Chương trình học máy giúp chế tạo pin tốt hơn

09/12/2019 07:00 -

Việc thiết kế các khối phân tử tốt nhất cho cấu phần pin giống như việc cố gắng tạo ra công thức cho loại bánh mới khi có trong tay vô vàn nguyên liệu tiềm năng. Điều khó khăn là phải xác định được thành phần nào có thể kết hợp với nhau tốt nhất để tạo ra sản phẩm pin an toàn. Nhưng ngay cả với sự hỗ trợ của siêu máy tính tiên tiến, các nhà khoa học cũng không thể mô hình hóa một cách chính xác các đặc tính hóa học của mọi phân tử có khả năng trở thành cơ sở nền tảng cho vật liệu pin thế hệ tiếp theo.

Thay vào đó, các nhà nghiên cứu tại Phòng thí nghiệm quốc gia Argonne thuộc Bộ Năng lượng Hoa Kỳ (DOE) đã vận dụng sức mạnh của máy học và trí tuệ nhân tạo để tăng tốc đáng kể quá trình khám phá pin. Họ đã có 2 bài báo khoa học liên quan đăng trên tạp chí Chemical Science và MRS Communications.
Trước tiên, các nhà nghiên cứu của Argonne tạo ra một cơ sở dữ liệu có độ chính xác cao với khoảng 133.000 phân tử hữu cơ nhỏ có thể tạo thành cơ sở của chất điện phân pin. Để làm như vậy, họ sử dụng mô hình tính toán chuyên sâu G4MP2. Bộ sưu tập phân tử này chỉ đại diện cho một tập hợp nhỏ trong số 166 tỷ phân tử lớn hơn mà các nhà khoa học muốn thăm dò làm ứng cử viên cho chất điện li.
Vì sử dụng G4MP2 để phân giải từng phân tử trong số 166 tỷ phân tử sẽ cần thời gian và sức mạnh tính toán quá lớn, nhóm nghiên cứu đã sử dụng một thuật toán học máy để thiết lập mối quan hệ giữa những cấu trúc đã biết chính xác từ tập dữ liệu nhỏ với những cấu trúc mẫu “thô” hơn từ tập dữ liệu lớn hơn.
“Khi nói đến việc xác định cách thức các phân tử này hoạt động, phải có sự cân bằng giữa độ chính xác và thời gian cần thiết để tìm ra kết quả. Chúng tôi tin rằng học máy là một cách có được bức tranh phân tử gần như chính xác với chi phí tính toán thấp nhất”, Ian Foster, giám đốc bộ phận nghiên cứu và khoa học dữ liệu của Argonne, tác giả của một trong những bài báo cho biết.
Để cung cấp cơ sở cho mô hình học máy, Foster và các đồng nghiệp đã dùng khung mô hình ít đòi hỏi tính toán hơn dựa trên Lý thuyết phiếm hàm mật độ - một khung mô hình cơ học lượng tử thường được sử dụng để tính toán cấu trúc điện tử trong các hệ lớn. Lý thuyết phiếm hàm mật độ có thể ước tính tốt các tính chất phân tử nhưng kém chính xác hơn so với G4MP2.
Họ đã tinh chỉnh lại thuật toán để có được thông tin chính xác hơn về lớp các phân tử hữu cơ rộng hơn, bao gồm cả việc so sánh các vị trí nguyên tử trong các phân tử được G4MP2 tính toán với mức chính xác cao hơn so với việc chỉ sử dụng Lý thuyết phiếm hàm mật độ. Bằng cách sử dụng G4MP2 làm tiêu chuẩn, các nhà nghiên cứu có thể huấn luyện mô hình lý thuyết phiếm hàm mật độ để kết hợp hệ số hiệu chỉnh, cải thiện độ chính xác của nó trong khi vẫn giảm chi phí tính toán.
“Thuật toán học máy cho chúng ta góc nhìn về mối quan hệ giữa các nguyên tử trong một phân tử lớn và ‘hàng xóm’ của nó, để xem cách chúng liên kết và tương tác, và tìm kiếm sự tương đồng giữa các phân tử đó với những phân tử khác chúng ta đã biết rõ”, nhà khoa học tính toán Logan Ward, đồng tác giả của một trong những nghiên cứu nói. “Điều này sẽ giúp chúng tôi đưa ra dự đoán về năng lượng của các phân tử lớn hơn này hoặc sự khác biệt giữa các tính toán có độ chính xác thấp và độ chính xác cao”.
“Toàn bộ dự án này được thiết kế để đem đến bức tranh rộng nhất có thể về những ứng cử viên có khả năng trở thành chất điện li trong pin. Nếu sử dụng một loại phân tử để ứng dụng vào việc lưu trữ năng lượng, ta cần phải biết các thuộc tính như tính ổn định của nó. Có thể sử dụng thuật toán học máy này để dự đoán chính xác hơn thuộc tính của các phân tử lớn hơn”, nhà hóa học Rajeev Assary và là tác giả của cả hai nghiên cứu cho biết. □

Hoàng Nam dịch
Nguồn: https://phys.org/news/2019-11-battery-machine.htm

Tags:

ĐỌC NHIỀU NHẤT