Давняя цель химиков из многих отраслей, включая энергетику, фармацевтику, энергетику, пищевые добавки и органические полупроводники, — представить химическую структуру новой молекулы и получить возможность предсказывать, как она будет функционировать для желаемого применения. На практике это видение затруднено, часто требуя обширной лабораторной работы для синтеза, выделения, очистки и определения характеристик вновь созданных молекул.
Недавно группа специалистов по материалам Ливерморской национальной лаборатории Лоуренса (LLNL) и компьютерные ученые реализовали это видение для энергетических молекул, создав модели машинного обучения (ML), способные предсказывать кристаллические свойства молекул только на основе их химических структур, таких как молекулярная плотность. Прогнозирование дескрипторов кристаллической структуры (а не всей структуры) предлагает эффективный метод для определения свойств материала, тем самым ускоряя разработку и его обнаружение.
— Одна из самых известных моделей машинного обучения команды способна предсказывать кристаллическую плотность энергичных и похожих на энергию молекул с высокой степенью точности по сравнению с предыдущими методами, — сказал Фан Нгуен, математик-прикладник LLNL.
— Даже по сравнению с теорией функционала плотности (DFT), вычислительно дорогостоящим и основанным на физических принципах методом для предсказания кристаллической структуры и кристаллических свойств, модель ML может похвастаться конкурентоспособной точностью, требуя при этом лишь некоторую долю времени вычислений, — сказал Дональд Лавленд, компьютерный ученый из LLNL.
Члены лаборатории по применению взрывчатых веществ (HEAF) LLNL уже начали использовать преимущества веб-интерфейса модели с целью обнаружения новых нечувствительных энергетических материалов. Просто введя двумерную химическую структуру молекул, химики HEAF смогли быстро определить прогнозируемую кристаллическую плотность этих молекул, которая тесно коррелирует с показателями потенциальной энергетики.
Команда продолжает поиск новых свойств, представляющих интерес для лаборатории, с целью предоставления набора прогностических моделей для материаловедов, которые будут использоваться в их исследованиях.
