Ученые использовали искусственный интеллект и высокопроизводительные эксперименты, чтобы ускорить свою работу по оптимизации электролитных растворов для хранения энергии. Автор: Кортленд Джонсон | Тихоокеанская северо-западная национальная лаборатория
Найти иголку в стоге сена — это по сути невыполнимая задача. Но что, если новые инструменты могли бы сделать ее легко выполнимой? Представьте, что вместо того, чтобы искать все вручную, вы могли бы разделить сено на небольшие кучки и использовать магниты.
Искусственный интеллект (ИИ) может действовать как магнит для научных решений, извлекая важную информацию из горы возможностей.
Но ИИ может сделать только так много. Если пресловутый стог сена слишком велик, даже самая мощная система может быть заблокирована. Эффективное использование ИИ требует разумного привлечения к процессу экспертных знаний в предметной области. Группа ученых объединила ИИ, высокопроизводительные эксперименты и знания в области материаловедения, чтобы ускорить процесс открытия.
Комбинация сработала. Команда под руководством исследователей из Тихоокеанской северо-западной национальной лаборатории (PNNL) и Аргоннской национальной лаборатории определила комбинации растворителей, которые могут растворять в три раза больше соединения, предложенного в качестве части энергоэффективной окислительно-восстановительной проточной батареи.
Им это удалось, быстро сузив поиск до менее чем 10% возможных комбинаций. Результаты опубликованы в Nature Communications.
В команду вошли эксперты из взаимодополняющих областей, все из которых были сосредоточены на создании платформы, которая может разумно выполнять высокопроизводительные эксперименты. Они исследовали ряд смесей органических растворителей, чтобы разработать оптимальную систему электролита для проточных батарей на основе окислительно-восстановительных батарей.
Проточные батареи вырабатывают энергию путем перекачивания электролитов — жидких растворов с растворенными химикатами — из внешних баков в центральный стек. Кредит: Pacific Northwest National Laboratory
«Часто люди смотрят на автоматизированную систему как на способ ускорить открытие, резко увеличив количество экспериментов, которые можно провести», — сказал Виджай Муругесан, ученый-материаловед PNNL и соавтор статьи. «Мы хотели ускорить открытие с повышенной эффективностью, используя ИИ для науки».
Хотя платформа специально нацелена на электролитные смеси для хранения энергии, общий процесс можно применять и к другим системам. Это может быть наиболее полезно для проблем с широким спектром потенциальных решений в рамках ограниченной системы, говорят исследователи.
Высокопроизводительные данные для искусственного интеллекта
Вместо того, чтобы проводить эксперименты независимо, группа высокопроизводительных экспериментов собирала данные для заполнения пробелов в алгоритме группы ИИ. Часто тип данных, необходимых модели ИИ, недоступен для лабораторных систем. Затем алгоритм должен быть обучен на результатах вычислений, что может привести к дополнительным смещениям.
С экспериментальной стороны, определение оптимизированных смесей растворителей является огромной проблемой. «Мы определили 2000 возможных комбинаций», — сказал Янган Лян, соавтор и эксперт по высокопроизводительным экспериментам в PNNL.
«Это непрактичное количество комбинаций для тестирования даже с нашей роботизированной системой. Хотя робот может проводить эксперименты быстрее, ему все равно требуются химикаты и энергия».
Высокопроизводительная экспериментальная система, которая генерировала данные и получала указания от искусственного интеллекта. Кредит: Фото Андреа Старр | Pacific Northwest National Laboratory
Определение наиболее перспективных вариантов без ИИ все равно потребовало бы сотни экспериментов. Чтобы сузить поиск, команда нацелила свой первоначальный сбор данных на основе известных пробелов в обучающих наборах для модели ИИ.
Ввод в модель высокоточных экспериментальных данных привел к лучшей подготовке системы, что, в свою очередь, дало лучшие прогнозы для следующего раунда экспериментов.
«Наш подход невероятно эффективен», — сказал Муругесан. «Мы используем скорость высокой пропускной способности и человеческую интуицию для лучшей подготовки ИИ».
Сила совместных данных
Продукт этого сотрудничества имеет два аспекта: во-первых, это определение смеси растворителей, научная цель работы. Во-вторых, это создание набора данных высокой точности из экспериментальных данных. Команда надеется, что другие смогут использовать эти данные для будущей работы, выходящей за рамки исследования смесей растворителей для органических окислительно-восстановительных проточных батарей.
«Мы намеренно подходили к созданию данных высокой точности, которые могут помочь в построении лучших прогностических моделей», — сказал Муругесан. «Наш процесс основывался на широком опыте нашей команды, что стало возможным благодаря инвестициям Министерства энергетики в работу в масштабе центра. Центры специализируются на таких амбициозных идеях, которые требуют объединения нескольких дисциплин».
Проект поддерживался исследовательской работой по хранению энергии, которая объединила шесть национальных лабораторий и 10 университетов с 2018 по 2023 год.
«Эта работа была действительно вдохновлена покойным Джорджем Крэбтри, директором-основателем JCESR», — сказал Муругесан. «Мы обратились к нему с идеей использовать высокопроизводительные возможности PNNL для обнаружения электролитов, но он бросил нам вызов мыслить масштабнее и сотрудничать с командой ИИ».
«Благодаря его вдохновению мы узнали, что вместе мы можем быстрее добиваться впечатляющих результатов, интегрируя модели ИИ и роботизированные платформы».
Действия к лаборатории с автономным управлением
Данные о материалах, полученные командой, необходимы для создания эффективных систем ИИ, которые будут управлять экспериментальными циклами в автономных лабораторных пространствах. «Я считаю, что эти типы рабочих процессов являются центральными для новой парадигмы в открытии материалов», — сказал Хиеу Доан, соавтор, который руководил работой по ИИ.
«Я рад видеть будущее сотрудничества между исследователями ИИ и материаловедами», — добавил Карл Мюллер, соавтор статьи и директор Офиса разработки программ Директората физических и вычислительных наук. «Ускорение открытия материалов имеет решающее значение для решения проблем хранения энергии».
Помимо Ляна, Муругесана и Мюллера, в проекте от PNNL приняли участие Джуран Но и Хизер Джоб. В команду из Аргонна входили Доан, Лили Робертсон, Лу Чжан и Раджив Ассари. Многие из соавторов этой работы являются частью недавно запущенного Энергетического инновационного центра Energy Storage Research Alliance.
Дополнительная информация: Джуран Но и др., Интегрированная высокопроизводительная роботизированная платформа и активный подход к обучению для ускоренного открытия оптимальных формул электролитов, Nature Communications (2024). DOI: 10.1038/s41467-024-47070-5
Информация о журнале: Nature Communications Предоставлено Тихоокеанской северо-западной национальной лабораторией
