Projetar os melhores blocos de construção moleculares para componentes de bateria é como tentar criar uma receita para um novo tipo de bolo, quando você tem bilhões de ingredientes potenciais. O desafio envolve determinar quais ingredientes funcionam melhor juntos - ou, mais simplesmente, produzir um comestível (ou, no caso de baterias, um produto seguro). Mas mesmo com supercomputadores de última geração, os cientistas não podem modelar com precisão as características químicas de cada molécula que poderia provar ser a base de um material de bateria de próxima geração.

Em vez de, pesquisadores do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) recorreram ao poder do aprendizado de máquina e da inteligência artificial para acelerar drasticamente o processo de descoberta de baterias.

Conforme descrito em dois novos artigos, Os pesquisadores de Argonne primeiro criaram um banco de dados altamente preciso de aproximadamente 133, 000 pequenas moléculas orgânicas que poderiam formar a base dos eletrólitos da bateria. Para fazer isso, eles usaram um modelo computacionalmente intensivo chamado G4MP2. Esta coleção de moléculas, Contudo, representava apenas um pequeno subconjunto de 166 bilhões de moléculas maiores que os cientistas queriam sondar em busca de candidatos a eletrólitos.

Porque usar G4MP2 para resolver cada uma das 166 bilhões de moléculas exigiria uma quantidade impossível de tempo e potência de computação, a equipe de pesquisa usou um algoritmo de aprendizado de máquina para relacionar as estruturas precisamente conhecidas do conjunto de dados menor a estruturas modeladas de maneira muito mais grosseira do conjunto de dados maior.

"Quando se trata de determinar como essas moléculas funcionam, há grandes compensações entre a precisão e o tempo que leva para calcular um resultado, "disse Ian Foster, Diretor da divisão de Ciência e Aprendizagem de Dados da Argonne e autor de um dos artigos. "Acreditamos que o aprendizado de máquina representa uma maneira de obter uma imagem molecular quase tão precisa em uma fração do custo computacional."

Para fornecer uma base para o modelo de aprendizado de máquina, Foster e seus colegas usaram uma estrutura de modelagem menos exigente computacionalmente com base na teoria do funcional de densidade, uma estrutura de modelagem mecânica quântica usada para calcular a estrutura eletrônica em grandes sistemas. A teoria do funcional de densidade fornece uma boa aproximação das propriedades moleculares, mas é menos preciso do que G4MP2.

Refinar o algoritmo para determinar melhor as informações sobre a classe mais ampla de moléculas orgânicas envolvidas na comparação das posições atômicas das moléculas calculadas com o G4MP2 altamente preciso versus aquelas analisadas usando apenas a teoria do funcional da densidade. Usando G4MP2 como padrão ouro, os pesquisadores poderiam treinar o modelo da teoria funcional da densidade para incorporar um fator de correção, melhorando sua precisão enquanto mantém os custos computacionais baixos.

"O algoritmo de aprendizado de máquina nos dá uma maneira de olhar para a relação entre os átomos em uma molécula grande e seus vizinhos, para ver como eles se relacionam e interagem, e procurar semelhanças entre essas moléculas e outras que conhecemos muito bem, "disse o cientista computacional de Argonne Logan Ward, autor de um dos estudos. "Isso nos ajudará a fazer previsões sobre as energias dessas moléculas maiores ou as diferenças entre os cálculos de baixa e alta precisão."

"Todo este projeto foi concebido para nos dar a maior imagem possível dos candidatos a eletrólito de bateria, "acrescentou o químico de Argonne Rajeev Assary, um autor de ambos os estudos. "Se vamos usar uma molécula para aplicações de armazenamento de energia, precisamos conhecer propriedades como sua estabilidade, e podemos usar esse aprendizado de máquina para prever propriedades de moléculas maiores com mais precisão. "

Um artigo que descreve a formação do conjunto de dados baseado em G4MP2, "Energias químicas quânticas precisas para 133, 000 moléculas orgânicas, "apareceu na edição online de 27 de junho da Ciência Química .

Um segundo artigo descrevendo o algoritmo de aprendizado de máquina, "Previsão de aprendizado de máquina de energias de atomização precisas de moléculas orgânicas a partir de cálculos químicos quânticos de baixa fidelidade, "apareceu na edição de 27 de agosto da MRS Communications .