弗吉尼亚理工大学工程学院化学工程副教授Hongliang Xin和他的合作者设计了一个新的人工智能框架,可以加速重要技术材料的发现,如燃料电池和碳捕获装置。
他们在《自然通讯》杂志上发表的论文题为“将理论注入深度学习以实现可解释的反应预测”,详细介绍了一种名为TinNet的新方法——即注入理论的神经网络的缩写——它结合了机器学习算法和识别新催化剂的理论。催化剂是触发或加速化学反应的材料。
TinNet基于深度学习,是机器学习的一个分支,它使用算法模仿人类大脑的工作方式。1996年,IBM的深蓝计算机击败国际象棋世界冠军加里·卡斯帕罗夫(Garry Kasparov),这是机器学习领域的首批进展之一。近几年,深度学习在自动驾驶汽车等技术的发展中发挥了重要作用。
Xin和他的同事们希望将机器学习应用于催化领域,以开发新的更好的能源技术和产品来改善日常生活。
“你今天看到的大约90%的产品实际上都来自催化作用。”Xin说。关键是为每种应用找到高效和稳健的催化剂,而这可能是非常困难的。
“了解催化剂如何与不同的中间产物相互作用,以及如何控制它们的键的强度,使其处于最合适的区间,绝对是设计高效催化过程的关键。”Xin说,“而我们的研究正是为此提供了一个工具。”
机器学习算法可能会很有帮助,因为它们能识别大数据集中的复杂模式,而这正是人类不擅长的,Xin说,但深度学习有局限性,尤其是在预测高度复杂的化学相互作用时——这是寻找所需材料的必要部分。在这些应用中,深度学习有时会失败,原因目前并不清楚。
“大多数为材料属性预测或分类而开发的机器学习模型通常被认为是‘黑匣子’,只提供有限的物理见解。”该论文的合著者、化学工程研究生Hemanth Pillai说。
“TinNet方法扩展了它的预测和解释能力,这两者在催化剂设计中都是至关重要的,”该研究的合著者、化学工程研究生Siwen Wang说。
作为一种混合方法,TinNet结合了先进的催化理论和人工智能,帮助研究人员观察材料设计的“黑箱”,了解正在发生什么和为什么发生,它可以帮助研究人员在许多领域取得新突破。
Xin说:“希望我们能普遍推广和使用这种方法,真正进一步发展可再生能源和对社会至关重要的脱碳技术。”“我认为这确实是可以取得一些突破的关键技术。”
专攻机器学习的化学工程教授Luke Achenie与Xin合作完成了这个项目,研究生王世汉Shih-Han Wang也参与了论文的撰写。现在,该团队正致力于将TinNet应用于催化工作。化学工程专业的本科生Andy Athawale也加入了这项工作。
“我真的很喜欢在课堂之外看到化学工程的不同方面。”Athawale说。“它有很多应用,而且可能真的是革命性的。”
(独家编译:科幻世界)
最热文章
人工智能写科幻小说,和作家写科幻小说有什么不一样?
德国概念设计师Paul Siedler的场景创作,宏大气派。
《静音》是一部 Netflix 电影。尽管 Netflix 过去一年在原创电影上的表现并不如预期,但是《静音》仍让人颇为期待
最近,美国最大的经济研究机构——全国经济研究所(NBER,全美超过一半的诺奖经济学得主都曾是该机构的成员)发布了一份报告,全面分析了 1990 到 2007 年的劳动力市场情况。\n
坏机器人制片公司最新的一部电影名为《霸主》(overlord),背景设置在二战时期,很可能是一部在半遮半掩中秘密制作的科洛弗电影系列。
我们都知道,到处都在重启;我们也知道,如果有钱,啥都能重启。所以,会不会被重启算不上是个问题,只能问什么时候会被重启。自然而然地,世界各地的各种重启现象衍生出了一个有趣的猜猜游戏:哪一部老作品会是下一个接受这种待遇的?\n