La capacidad de generar nanomateriales optimizados con redes neuronales artificiales puede revolucionar significativamente el futuro del diseño de materiales en la ciencia de los materiales. Si bien los científicos habían creado progresivamente moléculas pequeñas y simples, Quedan por generar materiales porosos cristalinos complejos utilizando redes neuronales. En un informe reciente sobre Avances de la ciencia , Baekjun Kim y un equipo de investigadores del Departamento de Ingeniería Química y Biomolecular del Instituto Avanzado de Ciencia y Tecnología de Corea, República de Corea, implementó una red generativa de confrontación.

Produjeron 121 materiales porosos cristalinos usando un juego de entrenamiento de 31, 713 zeolitas conocidas. La nueva red neuronal tomó entrada en forma de energía y dimensiones de materiales para producir zeolitas de manera confiable con un rango deseado por el usuario de 4 kJ / mol de calor de adsorción de metano. Designaron la dimensión energética en el trabajo como la energía potencial del metano. El ajuste fino de la capacidad deseada por el usuario puede potencialmente acelerar el desarrollo de materiales, mientras se demuestra un caso exitoso de diseño inverso de materiales porosos.

Los científicos de materiales han realizado una investigación significativa para descubrir nuevos materiales utilizando inteligencia artificial en los últimos años. Hicieron un progreso considerable utilizando una variedad de redes neuronales artificiales (ANN) para generar moléculas y materiales no descubiertos. Sin embargo, Quedan por utilizar con éxito las RNA para crear nuevos materiales cristalinos, Dado que el aprendizaje automático hasta ahora solo había predicho las propiedades de los materiales, composiciones, energía de banda prohibida, energía de formación y absorción de gas. Los materiales porosos cristalinos contienen densas disposiciones de poros microscópicos para una mayor superficie y volumen de poros. Son una clase importante de materiales para una variedad de aplicaciones relacionadas con la energía y el medio ambiente. Comparado con otros materiales cristalinos, materiales porosos como zeolitas, Las estructuras orgánicas metálicas (MOF) y las estructuras orgánicas covalentes (COF) son comparativamente más difíciles de generar utilizando ANN debido a su mayor complejidad.

En este estudio, Kim y col. ideó un ANN para generar materiales porosos cristalinos al enfocarse específicamente en un problema de estudio de caso para producir estructuras de zeolita de sílice pura, elegidos por su simplicidad estructural. El equipo utilizó una gran cantidad de materiales disponibles en una base de datos abierta de zeolitas hipotéticas para entrenar la red neuronal. Las zeolitas se definen clásicamente como aluminosilicatos con estructuras tridimensionales abiertas (3-D) que contienen TO que comparte esquinas. ₄ tetraedros donde T es Aluminio (Al) o Silicio (Si).

Si bien algunos esfuerzos de investigación anteriores utilizaron un algoritmo de evolución para apuntar a las propiedades del material, tales métodos convencionales conducen a la generación por fuerza bruta de materiales porosos, necesitando un cribado computacionalmente costoso para identificar materiales óptimos para una aplicación determinada. La mayoría de estos materiales generados tienen malas propiedades, afectando la asignación ineficiente de recursos computacionales. Kim y col. diseñó la nueva red neuronal para representar las entradas en las dimensiones de material y energía. El nuevo algoritmo tiene una ventaja única para lograr el diseño de materiales inversos utilizando ANN para sesgar la dimensión de energía que se correlaciona con las propiedades de los materiales.

Red generativa adversaria para zeolitas.

El equipo utilizó redes generativas adversarias (GAN) para producir materiales porosos cristalinos debido a su capacidad mejorada para producir objetos realistas como rostros humanos. El GAN ​​contenía un discriminador y un generador, donde la discriminación podría diferenciar entre datos reales y falsos, a medida que el generador actúa para engañar al discriminador formando progresivamente objetos realistas (aunque falsos). Esta configuración podría promover el aprendizaje adversario al generar objetos cada vez más realistas como un subproducto de la mejora del proceso de aprendizaje tanto para el discriminador como para el generador.

Dado que el objetivo de este trabajo era generar materiales y formas de energía, Kim y col. formó un nuevo tipo de GAN llamado zeolita GAN (ZeoGAN). El equipo tuvo como objetivo producir materiales de zeolita realistas utilizando el generador en ZeoGAN con sus formas de energía correspondientes para agregar varias características a la configuración. Agregaron relleno periódico dentro del crítico (o discriminador) para evitar generar formas no realistas que podrían conducir a vínculos poco realistas. y facilitó la convergencia tanto de materiales como de formas de energía al agregar características de combinación a ZeoGAN.

En la configuración experimental actual, dividieron la entrada a la red neuronal en materiales y redes de energía, con la cuadrícula de materiales subdividida en las cuadrículas de átomos de silicio y oxígeno basadas en simulaciones moleculares clásicas. Los científicos utilizaron tres cuadrículas cada uno y mantuvieron el número de puntos de la cuadrícula pequeño y constante para reducir el costo de la memoria. ya que las cuadrículas más grandes pueden conducir a un proceso de aprendizaje muy lento. Representaron las posiciones de los átomos de silicio (Si) y oxígeno (O) usando funciones gaussianas, donde el pico del Gauss correspondía a la posición de los átomos de zeolita.

Generando zeolitas de sílice pura

Los científicos utilizaron un total de 31, 173 zeolitas accesibles al metano para entrenar la red neuronal. El proceso de aprendizaje de ZeoGAN mostró la evolución de las formas de material / energía a partir de sus distribuciones iniciales de ruido gaussiano. Entrenaron al discriminador para estimar la distancia del movimiento de tierra (EMD) entre la distribución de datos y la distribución del generador, y entrenó al generador para minimizar el EMD a fin de generar muestras realistas. Inicialmente, las formas de material / energía se parecían a la distribución típica del ruido, pero a medida que avanzaba el aprendizaje, ocuparon regiones separadas en el espacio de la celda unitaria para transformarse en formas que se asemejan a las zeolitas típicas.

En total, generaron 1 millón de formas de zeolita (material y energía) a partir de ZeoGAN. De estas formas asignaron las posiciones de los átomos de oxígeno y silicio usando una regla simple y calcularon la relación Si:O para cada salida. Las formas de zeolita evolucionaron a medida que pasaban con éxito por una operación de limpieza para producir una relación Si:O óptima y una conectividad de enlace del 100 por ciento. De este conjunto, mantuvieron estructuras con un pequeño número de átomos de T simétricamente únicos (donde T es Al o Si). Las estructuras relajadas finales se parecían a sus formas iniciales de zeolita, lo que indica que el posprocesamiento no alteró significativamente la esencia de las nuevas formas de zeolita. Kim y col. obtuvo un total de ocho estructuras resultantes después de la limpieza, que no estaban en el conjunto de entrenamiento original para indicar la creación exitosa de nuevas zeolitas usando ZeoGAN.

Usando ZeoGAN para el diseño inverso de zeolitas

Las zeolitas generadas hasta ahora a partir de ZeoGAN no contenían ninguna propiedad deseada por el usuario. Para mejorar el diseño, El equipo de investigación seleccionó alterar el calor de adsorción del metano y la función de pérdida de ZeoGAN para generar zeolitas con valores de calor de adsorción entre 18 y 22 kJ / mol. El equipo observó un cambio brusco en la distribución del calor de adsorción del metano dentro de los datos para el millón de formas de zeolita deseadas por el usuario recién generadas, lo que indica la función adecuada del criterio deseado por el usuario. Los valores no se correlacionaron con la nueva función de pérdida, sin embargo. Luego, el equipo implementó un proceso de limpieza similar (como antes), para el millón de formas de zeolita deseadas por el usuario, para producir seis nuevas zeolitas y una zeolita también producidas previamente dentro del conjunto deseado por el usuario. De estas seis zeolitas, cuatro mantuvieron el calor de adsorción del metano entre 18 y 22 kJ / mol como se esperaba, indicando un diseño inverso exitoso de las zeolitas.

Estos experimentos fueron los primeros en estudio, ya que los modelos experimentales o computacionales anteriores no habían producido hasta ahora propiedades dentro de este rango específico deseado por el usuario. Adicionalmente, cuando Kim et al. eliminó las restricciones para el número de átomos de T únicos que eran posibles para los candidatos a zeolita generados a partir de las ANN, observaron un aumento significativo en el número de zeolitas recién formadas. De este modo, obtuvieron 121 estructuras de zeolita factibles en total utilizando el ANN desarrollado internamente, para extender con éxito el número de nuevas zeolitas dentro del espacio del material de zeolita de sílice pura.

Este trabajo allanará potencialmente el camino para incorporar ANN para apuntar a las propiedades deseadas por el usuario antes del diseño y la síntesis del material. Aunque la ANN está restringida solo a átomos de silicio y oxígeno aquí por simplicidad, el número de canales de entrada se puede aumentar para cubrir materiales cristalinos más complejos, como MOF y COF. El alcance de este trabajo se puede mejorar para afectar el diseño futuro de diversas clases de materiales.

© 2020 Science X Network