Diseñar los mejores bloques de construcción moleculares para los componentes de la batería es como intentar crear una receta para un nuevo tipo de pastel, cuando tienes miles de millones de ingredientes potenciales. El desafío consiste en determinar qué ingredientes funcionan mejor juntos, o más simple, producir un comestible (o, en el caso de baterías, un producto seguro). Pero incluso con supercomputadoras de última generación, los científicos no pueden modelar con precisión las características químicas de cada molécula que podría llegar a ser la base de un material de batería de próxima generación.

En lugar de, Los investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) han recurrido al poder del aprendizaje automático y la inteligencia artificial para acelerar drásticamente el proceso de descubrimiento de baterías.

Como se describe en dos nuevos artículos, Los investigadores de Argonne primero crearon una base de datos de alta precisión de aproximadamente 133, 000 pequeñas moléculas orgánicas que podrían formar la base de los electrolitos de las baterías. Para hacerlo utilizaron un modelo computacionalmente intensivo llamado G4MP2. Esta colección de moléculas, sin embargo, representaba solo un pequeño subconjunto de 166 mil millones de moléculas más grandes que los científicos querían sondear en busca de candidatos a electrolitos.

Debido a que el uso de G4MP2 para resolver cada una de las 166 mil millones de moléculas habría requerido una cantidad imposible de tiempo y potencia de cálculo, El equipo de investigación utilizó un algoritmo de aprendizaje automático para relacionar las estructuras conocidas con precisión del conjunto de datos más pequeño con estructuras modeladas mucho más toscamente del conjunto de datos más grande.

"Cuando se trata de determinar cómo funcionan estas moléculas, existen grandes compensaciones entre la precisión y el tiempo que se tarda en calcular un resultado, "dijo Ian Foster, Director de la división Argonne Data Science and Learning y autor de uno de los artículos. "Creemos que el aprendizaje automático representa una forma de obtener una imagen molecular que es casi tan precisa a una fracción del costo computacional".

Para proporcionar una base para el modelo de aprendizaje automático, Foster y sus colegas utilizaron un marco de modelado menos exigente desde el punto de vista computacional basado en la teoría funcional de la densidad, un marco de modelado mecánico cuántico utilizado para calcular la estructura electrónica en grandes sistemas. La teoría funcional de la densidad proporciona una buena aproximación de las propiedades moleculares, pero es menos preciso que G4MP2.

Refinar el algoritmo para determinar mejor la información sobre la clase más amplia de moléculas orgánicas implicó comparar las posiciones atómicas de las moléculas calculadas con el G4MP2 de alta precisión frente a las analizadas utilizando solo la teoría funcional de la densidad. Al utilizar G4MP2 como estándar de oro, los investigadores pudieron entrenar el modelo de la teoría funcional de la densidad para incorporar un factor de corrección, mejorando su precisión mientras se mantienen bajos los costos computacionales.

"El algoritmo de aprendizaje automático nos brinda una forma de analizar la relación entre los átomos de una molécula grande y sus vecinos, para ver cómo se vinculan e interactúan, y buscar similitudes entre esas moléculas y otras que conocemos bastante bien, "dijo el científico computacional de Argonne Logan Ward, un autor de uno de los estudios. "Esto nos ayudará a hacer predicciones sobre las energías de estas moléculas más grandes o las diferencias entre los cálculos de baja y alta precisión".

"Todo este proyecto está diseñado para brindarnos la imagen más amplia posible de los candidatos a electrolitos de batería, "añadió el químico de Argonne Rajeev Assary, autor de ambos estudios. "Si vamos a utilizar una molécula para aplicaciones de almacenamiento de energía, necesitamos conocer propiedades como su estabilidad, y podemos utilizar este aprendizaje automático para predecir las propiedades de moléculas más grandes con mayor precisión ".

Un artículo que describe la formación del conjunto de datos basado en G4MP2, "Energías químicas cuánticas precisas para 133, 000 moléculas orgánicas, "apareció en la edición en línea del 27 de junio de Ciencia química .

Un segundo artículo que describe el algoritmo de aprendizaje automático, "Predicción de aprendizaje automático de energías de atomización precisas de moléculas orgánicas a partir de cálculos químicos cuánticos de baja fidelidad, "apareció en la edición del 27 de agosto de Comunicaciones MRS .