中国基因网您的位置:首页 >国外研究 >

工程师使用图形网络准确预测分子和晶体的特性

加州大学圣地亚哥分校的纳米工程师开发了新的深度学习模型,可以准确预测分子和晶体的特性。通过实现几乎瞬时的属性预测,这些深度学习模型为研究人员提供了快速扫描几乎无限的化合物的手段,以发现各种技术应用的潜在变革材料,如高能量密度锂离子电池,暖白色LED和更好的光伏发电。

工程师使用图形网络准确预测分子和晶体的特性

为了构建他们的模型,由加州大学圣地亚哥雅各布斯工程学院的纳米工程教授Shyue Ping Ong领导的团队使用了一种新的深度学习框架,称为图形网络,由Google DeepMind开发,是AlphaGo和AlphaZero背后的大脑。图形网络有可能扩展现有AI技术的功能,以有限的经验和知识执行复杂的学习和推理任务 - 人类擅长的东西。

对于像Ong这样的材料科学家来说,图形网络提供了一种自然的方式来表示分子或晶体中原子之间的键合关系,并使计算机能够了解这些关系如何与其化学和物理特性相关。

Ong的团队称为MatErials Graph Network(MEGNet)模型的新图形网络模型在预测QM9数据集中133,000个分子的13个属性中的11个方面表现优于现有技术。该团队还在材料项目中对大约60,000个晶体进行了MEGNet模型的培训。这些模型在预测晶体的形成能,带隙和弹性模量方面优于先前的机器学习模型。

该团队还展示了两种克服材料科学和化学数据限制的方法。首先,该团队表明,图形网络可用于统一多个自由能模型,从而使训练数据多次增加。其次,他们表明他们的MEGNet模型可以有效地学习周期表中元素之间的关系。然后,可以传输来自在大数据集上训练的属性模型的机器学习信息,以用较少量的数据来改进属性模型的训练和准确性 - 这种概念在机器学习中被称为转移学习。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如有侵权行为,请第一时间联系我们修改或删除,多谢。

推荐内容