AI基础模型在电池材料研发中的应用与突破

来自 实验室仪器网

几十年来，寻找更好的电池材料在很大程度上是一个反复试验的过程。

在电池材料发现历史的大部分时间里，实际上是直觉导致了新发明，我们今天使用的大多数材料都是在75年至85年间相对较短的时间内发现的。我们仍然主要依赖同一套材料，并进行一些小的、渐进的调整来提高电池性能。

如今，人工智能（AI）的进步以及支持人工智能的计算能力正在改变游戏规则。借助能源部（DOE）实验室的超级计算机，科研人员正在开发人工智能基础模型，以加快发现用于从个人电子产品到医疗设备等应用的新电池材料。

基础模型是在海量数据集上训练的大型人工智能系统，以了解特定领域。与ChatGPT等通用大型语言模型（LLM）不同，科学基础模型是为药物发现或神经科学等专业领域量身定制的，使研究人员能够生成更精确、更可靠的预测。

基础模型的美妙之处在于它建立了对分子宇宙的广泛理解，这使得它在处理预测特性等特定任务时更加高效，可以预测电导率等信息，它告诉你电池充电的速度有多快。我们还可以预测熔点、沸点、可燃性和各种其他对电池设计有用的特性。

人工智能帮助研究人员探索广阔的化学空间

该团队的模型专注于识别两个关键电池组件的材料：携带电荷的电解质和存储和释放能量的电极。需要两者取得进步，才能设计出更强大、更持久、更安全的下一代电池。

挑战在于潜在电池材料的化学空间规模。科学家估计可能有10个60可能的分子化合物。根据数十亿已知分子的数据进行训练的基础模型可以帮助研究人员更有效地探索这一领域。通过学习可以预测新的、未经测试的分子特性的模式，该模型可以将高潜力的候选分子归零。

为了教模型如何理解分子结构，该团队采用了SMILES，这是一种广泛使用的系统，可提供基于文本的分子表示。他们还开发了一种名为SMIRK的新工具，以改进模型处理这些结构的方式，使其能够以更高的精度和一致性从数十亿个分子中学习。

在此成功的基础上，研究人员现在正在使用ALCF的新Aurora百亿亿次级系统来开发分子晶体的第二个基础模型，分子晶体是电池电极的组成部分。

训练完成后，通过将基础模型的预测与实验数据进行比较来验证基础模型，以确保准确性。此步骤对于建立对模型预测各种化学和物理特性的能力的信心至关重要。

该团队正在积极探索该模型的功能，并打算在未来将其提供给更广泛的研究社区。该团队还计划与密歇根大学的实验室科学家合作，合成和测试人工智能模型确定的最有前途的候选者。

根据来自数十亿个分子的数据训练基础模型需要超出大多数研究实验室内部能力的计算能力。

在训练这些人工智能系统时，我们可以观察的分子数量存在很大限制，从仅在100万到1000万个分子上训练的模型开始。最终，我们达到了1亿，但仍然不够。

ALCF的超级计算机配备了数千个图形处理单元（GPU）和海量内存容量，旨在满足人工智能驱动研究的复杂需求。

在数百万个分子上训练模型与在数十亿个分子上训练模型之间存在很大差异。在大学研究小组通常可用的较小集群上，这实际上是不可能的，“维斯瓦纳坦说。“你只是没有将模型扩展到这个大小所需的GPU数量或内存。这就是为什么你真的需要像ALCF这样的资源，以及旨在支持大规模AI工作负载的超级计算机和软件堆栈。

该项目还受益于与致力于在其他研究领域应用人工智能的科学家的合作。为了使其基础模型更具交互性和可访问性，该团队将其与ChatGPT等法学硕士驱动的聊天机器人集成，这是一种新颖的方法，为用户参与的新可能性打开了大门。学生、博士后和合作者可以提出问题、快速测试想法并探索新的化学配方，而无需编写代码或运行复杂的模拟。

» 仪器设备 购买 咨询