Ученые создали модели для предсказания свойств материалов
Модели машинного обучения (ML), которые могут предсказывать кристаллические свойства материалов только по их химическим структурам, разработали ученые из Ливерморской национальной лаборатории Лоуренса (LLNL), пишет журнал Journal of Chemical Information and Modeling.
Предсказание идентификаторов кристаллической структуры (а не всей кристаллической структуры) является эффективным методом для определения свойств материала, что ускоряет проектирование и открытие новых материалов. В настоящее время ученые реализовали это видение для энергетических молекул, используя их химические свойства, такие как молекулярная плотность.
«Одна из самых известных разработанных нами моделей ML способна предсказывать кристаллическую плотность энергетичных и энергоподобных молекул с более высокой степенью точности по сравнению с предыдущими методами на основе ML», — сказал Фан Нгуен, специалист в области прикладной математик LLNL.
Сотрудники Центра применения взрывчатых веществ LLNL (HEAF) уже начали использовать преимущества веб-интерфейса модели с целью открытия новых нечувствительных энергетических материалов. Просто введя как условие задачи двумерную химическую структуру молекул, химики HEAF смогли быстро определить прогнозируемую кристаллическую плотность этих молекул, которая тесно коррелирует с показателями производительности потенциальной энергии.
«Мы рады видеть, что результаты нашей работы будут применены к важным задачам Лаборатории. Эта работа, безусловно, поможет ускорить открытие и оптимизацию новых материалов», — сказал Йонг Хан, специалист по материалам LLNL.
Разработанные системы машинного обучения воплощают в реальности давнюю мечту химиков по предсказанию химической структуры новой молекулы и ее функциональных свойств в требуемых приложениях.
