Команда разработчиков M3GNet, возглавляемая профессором наноинженерии Калифорнийского университета в Сан-Диего Шью Пинг Онгом, использует matterverse.ai и новые возможности M3GNet в их поиске более безопасных и энергоемких электродов и электролитов для перезаряжаемых литий-ионных батарей. О проекте рассказывается в номере журнала от 28 ноября. Природа Вычислительная наука.

Свойства материала определяются расположением его атомов. Однако существующие подходы к получению такой компоновки либо непомерно дороги, либо неэффективны для многих элементов.

"Подобно белкам, нам нужно знать структуру материала, чтобы предсказать его свойства". сказал Онг, заместитель директора Центра устойчивой энергетики при инженерной школе Джейкобса. "Что нам нужно, так это АльфаФолд для материалов".

AlphaFold - это алгоритм искусственного интеллекта, разработанный Google DeepMind для прогнозирования структуры белка. Чтобы создать эквивалент для материалов, Онг и его команда объединили графические нейронные сети с взаимодействиями многих тел, чтобы создать архитектуру глубокого обучения, которая работает универсально, с высокой точностью, для всех элементов периодической таблицы.

"Математические графики - это действительно естественные представления совокупности атомов", - сказал Чи Чен, бывший старший научный сотрудник проекта в лаборатории Ong и первый автор работы, который сейчас является старшим квантовым архитектором в Microsoft Quantum. "Используя графики, мы можем представить всю сложность материалов, не подвергаясь комбинаторному взрыву терминов в традиционных формализмах".

Для обучения своей модели команда использовала огромную базу данных об энергиях, силах и напряжениях материалов, собранных в рамках проекта Materials за последнее десятилетие. Результатом является межатомный потенциал M3GNet (IAP), который может предсказывать энергии и силы в любой совокупности атомов. Matterverse.ai был создан путем комбинаторных замен элементов на более чем 5000 структурных прототипах в базе данных неорганических кристаллических структур (ICSD). Затем M3GNet IAP был использован для получения равновесной кристаллической структуры - процесс, называемый "релаксацией" - для прогнозирования свойств.

Из 31 миллиона материалов в matterverse.ai сегодня прогнозируется, что более миллиона из них будут потенциально стабильными. Онг и его команда намерены значительно расширить не только количество материалов, но и количество свойств, предсказываемых ML, включая ценные свойства с небольшими размерами данных, используя подход с высокой точностью, который они разработали ранее.

Помимо структурных релаксаций, M3GNet IAP также имеет широкое применение в динамическом моделировании материалов и прогнозировании свойств.

"Например, нас часто интересует, как быстро ионы лития диффундируют в электроде или электролите литий-ионной батареи. Чем быстрее диффузия, тем быстрее вы можете заряжать или разряжать аккумулятор", - сказал Онг. "Мы показали, что M3GNet IAP может быть использован для прогнозирования литиевой проводимости материала с хорошей точностью. Мы искренне верим, что архитектура M3GNet - это преобразующий инструмент, который может значительно расширить наши возможности по исследованию новых химических свойств материалов и структур".

Чтобы продвигать использование M3GNet, команда выпустила фреймворк в виде кода Python с открытым исходным кодом на Github. С момента публикации препринта на Arxiv в феврале 2022 года команда получила интерес со стороны академических исследователей и представителей отрасли. Планируется интегрировать M3GNet IAP в качестве инструмента в пакеты моделирования коммерческих материалов.

Авторами этой работы были Чи Чен и Шюэ Пин Онг из Калифорнийского университета в Сан-Диего. Исследование в основном финансировалось Министерством энергетики США, Управлением науки, Управлением фундаментальных энергетических наук, отделом материаловедения и инженерии в рамках программы Materials Project. Часть работы была профинансирована LG Energy Solution в рамках программы Frontier Research Laboratory. В этой работе использовалась среда экстремальных научных и инженерных открытий (XSEDE).