p A capacidade de gerar nanomateriais otimizados com redes neurais artificiais pode revolucionar significativamente o futuro do design de materiais na ciência dos materiais. Enquanto os cientistas criaram progressivamente moléculas pequenas e simples, materiais porosos cristalinos complexos ainda precisam ser gerados usando redes neurais. Em um relatório recente sobre Avanços da Ciência , Baekjun Kim e uma equipe de pesquisadores do Departamento de Engenharia Química e Biomolecular do Instituto Avançado de Ciência e Tecnologia da Coreia, República da Coreia, implementou uma rede adversarial generativa. p Eles produziram 121 materiais porosos cristalinos usando um conjunto de treinamento de 31, 713 zeólitos conhecidos. A nova rede neural recebeu entrada na forma de energia e dimensões de materiais para produzir zeólitas de forma confiável com uma faixa desejada pelo usuário de 4 kJ / mol de calor de metano de adsorção. Eles designaram a dimensão da energia no trabalho como sendo a energia potencial do metano. O ajuste fino da capacidade desejada pelo usuário pode potencialmente acelerar o desenvolvimento de materiais, enquanto demonstra um caso de sucesso de design inverso de materiais porosos.

p Cientistas de materiais conduziram pesquisas significativas para descobrir novos materiais usando inteligência artificial nos últimos anos. Eles fizeram um progresso considerável usando uma variedade de redes neurais artificiais (RNAs) para gerar moléculas e materiais não descobertos. Contudo, As RNAs ainda precisam ser usadas com sucesso para criar novos materiais cristalinos, uma vez que o aprendizado de máquina, até agora, apenas previu as propriedades dos materiais, composições, energia bandgap, energia de formação e absorção de gás. Os materiais cristalinos porosos contêm arranjos densos de poros microscópicos para maior área de superfície e volume de poro. Eles são uma classe importante de materiais para uma variedade de aplicações relacionadas a energia e meio ambiente. Em comparação com outros materiais cristalinos, materiais porosos, como zeólitos, estruturas orgânicas metálicas (MOFs) e estruturas orgânicas covalentes (COFs) são comparativamente mais desafiadoras para gerar usando RNAs devido à maior complexidade.

p Neste estudo, Kim et al. desenvolveu uma ANN para gerar materiais porosos cristalinos, visando especificamente um problema de estudo de caso para produzir estruturas de zeólito de sílica pura, escolhidos por sua simplicidade estrutural. A equipe usou uma grande variedade de materiais disponíveis em um banco de dados aberto de zeólitas hipotéticos para treinar a rede neural. Os zeólitos são classicamente definidos como aluminossilicatos com estruturas tridimensionais (3-D) abertas contendo compartilhamento de canto TO ₄ tetraedro onde T é Alumínio (Al) ou Silício (Si).

p Enquanto alguns esforços de pesquisa anteriores usaram um algoritmo de evolução para as propriedades do material de destino, tais métodos convencionais levam à geração de força bruta de materiais porosos, necessitando de uma triagem computacionalmente cara para identificar os materiais ideais para uma determinada aplicação. A maioria desses materiais gerados tem propriedades ruins, afetando a alocação ineficiente de recursos computacionais. Kim et al. projetou a nova rede neural para representar as entradas nas dimensões de material e energia. O novo algoritmo tem uma vantagem única para alcançar projetos de materiais inversos usando RNAs para polarizar a dimensão de energia correlacionada às propriedades dos materiais.

p Rede adversária geradora para zeólitas.

p A equipe usou redes adversárias geradoras (GAN) para produzir materiais porosos cristalinos devido à sua capacidade aprimorada de produzir objetos realistas, como rostos humanos. O GAN continha um discriminador e um gerador, onde a discriminação pode diferenciar entre os dados reais e falsos, já que o gerador age para enganar o discriminador, formando progressivamente objetos realistas (embora falsos). Essa configuração poderia promover o aprendizado adversarial, gerando objetos cada vez mais realistas como um subproduto da melhoria do processo de aprendizado tanto para o discriminador quanto para o gerador.

p Uma vez que o objetivo deste trabalho era gerar materiais e formas de energia, Kim et al. formou um novo tipo de GAN denominado zeólita GAN (ZeoGAN). A equipe teve como objetivo produzir materiais zeólitos realistas usando o gerador no ZeoGAN com suas formas de energia correspondentes para adicionar vários recursos à configuração. Eles adicionaram preenchimento periódico dentro do crítico (ou discriminador) para evitar a geração de formas não realistas que poderiam levar a ligações não realistas, e convergência facilitada para materiais e formas de energia adicionando correspondência de recursos ao ZeoGAN.

p Na presente configuração experimental, eles dividiram a entrada para a rede neural em materiais e grades de energia, com a grade de materiais subdividida nas grades de átomos de silício e oxigênio com base em simulações moleculares clássicas. Os cientistas usaram três grades cada e mantiveram o número de pontos de grade pequeno e constante para reduzir o custo de memória, uma vez que grades maiores podem levar a um processo de aprendizagem muito lento. Eles representavam as posições dos átomos de silício (Si) e oxigênio (O) usando funções gaussianas, onde o pico do Gaussiano correspondia à posição dos átomos do zeólito.

p Gerando zeólitas de sílica pura

p Os cientistas usaram um total de 31, 173 zeólitas acessíveis por metano para treinar a rede neural. O processo de aprendizagem do ZeoGAN mostrou a evolução das formas de material / energia a partir de suas distribuições iniciais de ruído gaussiano. Eles treinaram o discriminador para estimar a distância do motor da Terra (EMD) entre a distribuição de dados e a distribuição do gerador, e treinou o gerador para minimizar o EMD de modo a gerar amostras realistas. Inicialmente, as formas de material / energia se assemelhavam à distribuição típica de ruído, mas conforme o aprendizado progredia, eles ocuparam regiões separadas no espaço da célula unitária para se transformar em formas semelhantes aos zeólitos típicos.

p No total, eles geraram 1 milhão de formas de zeólita (material e energia) do ZeoGAN. A partir dessas formas, eles atribuíram as posições dos átomos de oxigênio e silício usando uma regra simples e calcularam a razão Si:O para cada saída. As formas do zeólito evoluíram à medida que passavam com sucesso por uma operação de limpeza para produzir uma proporção ideal de Si:O e 100 por cento de conectividade de ligação. Deste conjunto, eles mantiveram estruturas com um pequeno número de átomos T simetricamente únicos (onde T é Al ou Si). As estruturas relaxadas finais se assemelhavam às suas formas zeólitas iniciais, indicando que o pós-processamento não alterou significativamente a essência das novas formas de zeólita. Kim et al. obteve um total de oito estruturas resultantes após a limpeza, que não estavam no conjunto de treinamento original para indicar a criação bem-sucedida de novos zeólitos usando ZeoGAN.

p Usando ZeoGAN para design inverso de zeólitas

p Os zeólitos gerados até agora do ZeoGAN não continham nenhuma propriedade desejada pelo usuário. Para melhorar o design, a equipe de pesquisa selecionada para alterar o calor de adsorção do metano e a função de perda de ZeoGAN para gerar zeólitos com valores de calor de adsorção entre 18 e 22 kJ / mol. A equipe observou uma mudança brusca na distribuição do calor do metano de adsorção nos dados para 1 milhão de formas de zeólita recém-geradas, desejadas pelo usuário, indicando a função adequada do critério desejado pelo usuário. Os valores não se correlacionaram com a nova função de perda, Contudo. A equipe então implementou um processo de limpeza semelhante (como antes), para os 1 milhão de formatos de zeólita desejados pelo usuário, para produzir seis novos zeólitos e um zeólito também produzido anteriormente dentro do conjunto desejado pelo não usuário. Destes seis zeólitas, quatro mantiveram o calor de adsorção do metano entre 18 e 22 kJ / mol como esperado, indicando um projeto inverso bem-sucedido das zeólitas.

p Esses experimentos foram os primeiros no estudo, uma vez que os modelos experimentais ou computacionais anteriores não produziram propriedades dentro desta faixa específica desejada pelo usuário. Adicionalmente, quando Kim et al. removeu as restrições para o número de átomos T únicos que eram possíveis para candidatos a zeólita gerados a partir de RNAs, eles observaram um aumento significativo no número de zeólitas recém-formadas. Desta maneira, eles obtiveram 121 estruturas de zeólita viáveis ​​no total usando a RNA desenvolvida internamente, para estender com sucesso o número de novos zeólitos dentro do espaço de material zeólito de sílica pura.

p Este trabalho irá potencialmente pavimentar o caminho para incorporar RNAs para almejar as propriedades desejadas pelo usuário antes do projeto e síntese do material. Embora a RNA seja restrita apenas a átomos de silício e oxigênio aqui para simplificar, o número de canais de entrada pode ser aumentado para cobrir materiais cristalinos mais complexos, como MOFs e COFs. O escopo deste trabalho pode ser aprimorado para afetar o design futuro de diversas classes de materiais. p © 2020 Science X Network