Вплив глибокого навчання на розширені матеріали дизайну та виявлення

Вступ: Нова ера для матеріалів Discovery

Глибоке навчання, підмножина штучного інтелекту, є перегостренням ландшафту матеріалів науки і техніки. За допомогою важільневих мереж, які обробляють величезні і складні дані, дослідники можуть зараз прискорити дизайн і відкриття передових матеріалів з неприпустимою швидкістю і точністю. Від прогнозування механічних властивостей сплавів для проектування нових каталізаторів для чистої енергії, глибоке навчання є перетвореним традиційно повільним, судово-терористичними процесами в даних-водах, прогнозних робочих процесів. Ця стаття досліджує, як глибоке навчання застосовується для сучасного дизайну матеріалів, ключ приносить переваги, і виклики, які залишаються в якості поля зрілих.

Основи глибокого навчання в матеріалах

На своїй основі глибоке навчання використовує багатошарові штучні нейронні мережі для вивчення закономірностей з даних. У матеріалах наука ці моделі навчаються на великих базах матеріалобудувальних конструкцій, властивостей та синтезу. Вводи часто включають кристалічні структури (представлені як графіки або точкові хмари), хімічні композиції, або розраховані функції з перших принципок моделювання. Мережа навчається на карті цих вводів для цільових властивостей, таких як розрив смуги, еластичний модуль, або теплопровідність.

Графічні нейромережі (GNNs) стають особливо потужними, оскільки вони природно представляють атомні зв'язки та місцеве середовище у кристалах. Конвоультації нейромереж (CNN) також використовуються для даних зображень з мікроскопії або дифракції. Можливість дізнатися складні, нелінійні стосунки з наборами даних, що містять тисячі або мільйон записів, відкриваються нові можливості для прогнозування моделювання та генеративного дизайну.

Ключові застосунки глибокого навчання в матеріалах

1. Прогнозування High-Throughput Property

Одним з найбільш успішних додатків є швидке прогнозування властивостей матеріалів від композиції та структури. Традиційні обчислювальні методи, такі як теорія функціональної щільності (DFT) є точними, але обчислювально дорогими, обмежуючи скринінг до тисяч кандидатів. Глибокі моделі навчання можуть прогнозувати властивості, такі як енергія формування, пружні константи, і структура електронних смуг в мілісекундах. Наприклад, матеріали граф Неуралне мережі (MEGNet) розроблені дослідниками в Університеті Каліфорнія, Берклі, показали точний прогноз по всій широкому спектру кристалічних і молекулярних систем. Читати оригінальний папір MEGNet тут

2. Повернені моделі дизайну та генеативних моделей

Замість простого показування існуючих матеріалів, глибоких генеративних моделей — так як варіаційні автошифратори (VAEs) і генеативні рекламні мережі (GANs)— можуть запропонувати абсолютно нові кристалічні конструкції з бажаними властивостями. Ці моделі вивчають базовий розподіл відомих матеріалів і потім зразок від цього простору для створення нових кандидатів. Інверсні дизайнерські роботи поєднують майновий прогноз з генерацією структури, що дозволяє дослідникам вказати ці властивості і дати модель пропонують техніко-матеріали. Цей підхід використовувався для виявлення нових термоелектричних матеріалів, високоміцних сплавів, а також літій-іонних акумуляторних котів. ] [[FLT]]

3. Вирокування маршрутів синтезу

Розкриваючи матеріал обчислювально- це лише половина бою; синтезування його в лабораторії часто є пляшковим вирізом. Глибокі моделі навчання тепер використовуються для прогнозування оптимальних параметрів синтезу, включаючи температуру, тиск і співвідношення прекурсорів. Природна обробка мови (NLP) методика може видобути рецепти синтезу з опублікованої літератури, а моделі графічної бази мають техніку ймовірності пропонованих реакцій. Ця інтеграція прогнозування і синтезу прискорює експериментальну перевірку нових матеріалів.

4. Прискорення молекулярної динаміки та квантової хімії

Глибокі нейронні мережі можуть служити сурогатними моделями, які приблизні дорогі імітації. Наприклад, глибокі потенційні моделі вивчають потенційну енергетичну поверхню від квантових механічних даних, що дозволяють молекулярно-динаміка моделювання для мільйонів атомів — за межами досягнень DFT. Ці сурогатні моделі зберігають високу точність при зниженні обчислювальної вартості за наказами величини. Вони особливо корисні для вивчення механічної деформації, іонного транспорту, і фази переходу в складних матеріалах.

Переваги інтеграції глибокого навчання

  • Speed: Прогнозування майна та показання кандидата, які раз забули тижнів або місяців можна завершити за години, або навіть хвилин.
  • Посилення: За звуженням фокусу до найбільш перспективних кандидатів, глибоке навчання різко зрізає кількість фізичних експериментів і необхідних обчислювальних ресурсів.
  • Вилучення комплексних просторів: Висока об'ємна композиція і структурні простори є дуже великим для виснажливих досліджень людськими інтуїціями. Глибоке навчання навігує ці простори ефективно, виявляючи несподівані матеріали.
  • Покращена точність:] З добре збереженими даними, глибокі моделі навчання часто відповідають або перевищують точність класичних потенціалів або навіть DFT для певних властивостей, при цьому значно швидше.
  • Інтеграція з Експериментуванням: Фундаційні навчальні основи дозволяють моделям керувати експериментами в режимі реального часу, велопровізування між прогнозуванням, синтезом та аугментацією даних.

Проблеми та проблеми

Незважаючи на свою обіцянку, глибоке навчання в матеріалах наука стикається з декількома родами, які повинні бути адресовані для широкого затвердження.

Якість даних та кількість даних

Якісні, позначені дані є важливим для підготовки надійних моделей. Багато доступних даних надходять від розрахунку DFT, які містять властиві наближеності. Експериментальні дані часто пропалюють, шуми і зібрані в невідповідних умовах. Створення великих, стандартизованих баз даних, які об'єднують обчислювальну і експериментальну інформацію, залишається найвищим пріоритетом. Ініціативи, як і проект матеріалів і NOMAD, зробили значний прогрес, але покриття багатьох матеріальних класів все ще обмежене.

Модель Інтерпретентабельність

Моделі глибокого навчання часто «чорні коробки», що робить його важкою для вчених зрозуміти, чому проводиться конкретне прогнозування. Цей недолік інтерпретації може зменшити довіру, особливо при при нагоді противних матеріалів або маршрутів синтезу. Використовуючи методи, які пояснюються AI (XAI), такі як механізми уваги і особливості атрибутона, адаптовані для матеріалів, які дозволяють надаватися розумінням, які атомні функції приводять прогнози.

Узагальнення та нетримання

Моделі, що навчаються на одному класі матеріалів, часто не вдається в загальному аналізі нових хіміосховищ або структур. Крім того, моделі глибоких досліджень зазвичай забезпечують прогнози без надійної невизначеності. Без невизначеності кількісного визначення дослідники не можуть відрізняти від високої довіри і спекулятивних прогнозів. Байезіанські нейромережі і методи ансамблю, які ведуться до вирішення цього недоліку.

Побудовано вартість навчання

Підготовка великого графіка або трансформаторної моделі на мільйонах матеріалів вимагає значних обчислювальних ресурсів -часто перевищено, що може дозволити собі однозначну академічну лабораторію. Хмарні обчислення та спеціалізовані апаратні засоби (ГПУ, ТПУ) пом'якшують це, але доступність залишається проблемою. Колегативні масштабні зусилля та попередньо підготовлені фундаментні моделі, спеціально для матеріалів, що виявляються в якості розчину.

Майбутні напрями та Outlook

У полі швидко розвивається, як більш інтегровані, автоматизовані робочі процеси, які об’єднують глибоке навчання з автономним експериментуванням. Ключові напрямки:

Висновок

Глибоке навчання - це не просто інструмент, який прискорює відкриття матеріалів, - це фундаментально змінено спосіб дослідники думають про і вивчення хімічної і структурної площі. За прогнозами властивостей, генеруючи нові матеріали, синтез гідингу та прискорення імітацій, глибоке навчання вже продемонструвало свою потужність для зменшення часу від обчислювального прогнозування до реального світу розгортання. Але поле все ще молодий. Як розростає, моделі стають більш інтерпретованими, а інтеграція з експериментами стає безшовним, вплив глибокого навчання на вдосконалені матеріали дизайну буде тільки глибоким. Кінцева обіцянка - це майбутнє, де нові матеріали для енергії, електроніки, медицини та стійкості не виявлені без серендіптизму, але за допомогою дизайну -

Для всебічного огляду стану мистецтва див. "Махінське навчання для відкриття та оформлення матеріалів" в матеріалах Nature Reviews