Ερευνητές στο Πανεπιστήμιο του Τορόντο ανέπτυξαν μια μέθοδο αξιοποίησης της τεχνητής νοημοσύνης για να ανακαλύψουν νέα και πιο αποτελεσματικά υλικά για την τεχνολογία καθαρής ενέργειας.
Μια ομάδα με επικεφαλής τον Alex Voznyy, επίκουρο καθηγητή στο τμήμα φυσικών και περιβαλλοντικών επιστημών στο University of Toronto Scarborough, χρησιμοποίησε μηχανική μάθηση για να επιταχύνει σημαντικά τον χρόνο που απαιτείται για την εύρεση νέων υλικών με επιθυμητές ιδιότητες.
«Προσπαθούμε να βρούμε καλύτερες εναλλακτικές λύσεις για τα υλικά που έχουμε αυτή τη στιγμή», λέει ο Voznyy, η έρευνα του οποίου εξετάζει την ανάπτυξη νέων υλικών για μπαταρίες ιόντων λιθίου, αποθήκευση υδρογόνου, δέσμευση CO2 και ηλιακές κυψέλες.
«Αυτό θα μπορούσε να σημαίνει την ανάπτυξη εντελώς νέων υλικών ή τη χρήση υλικών που ήδη γνωρίζουμε, αλλά δεν σκεφτήκαμε ποτέ να χρησιμοποιήσουμε σε εφαρμογές καθαρής ενέργειας».
Ο Voznyy λέει ότι ένα σημαντικό πρόβλημα με τα υλικά που χρησιμοποιούνται σήμερα στις τεχνολογίες καθαρής ενέργειας είναι ότι είναι είτε ακριβά, είτε αναποτελεσματικά, είτε στο όριο των δυνατοτήτων τους. Στόχος, λέει, είναι να δημιουργηθούν νέα και καλύτερα υλικά συνδυάζοντας στοιχεία υπαρχόντων.
Το μοντέλο μηχανικής μάθησης βασίζεται σε δεδομένα που βρίσκονται στο Materials Project, μια βάση δεδομένων ανοιχτού κώδικα με περισσότερα από 140.000 γνωστά υλικά που αναπτύχθηκαν την τελευταία δεκαετία. Περιέχει πληροφορίες για τα συστατικά γνωστών υλικών, συμπεριλαμβανομένης της κρυσταλλικής δομής, της μοριακής σύνθεσης, της πυκνότητας, της ενεργειακής αγωγιμότητας και της σταθερότητας.
Για να καταλάβουμε ποιος συνδυασμός υπαρχόντων υλικών θα μπορούσε να οδηγήσει σε μια καλύτερη μπαταρία ιόντων λιθίου, για παράδειγμα, ο Voznyy λέει ότι ίσως χρειαστεί να υπολογίσουμε τη σταθερότητα του νέου υλικού και πόση ενέργεια μπορεί να αποθηκεύσει.
Η πρόκληση είναι ότι οι υπολογισμοί που απαιτούνται για να γίνει αυτή η εργασία δεν ανταποκρίνονται καλά σε μεγάλη κλίμακα. Πιο πολύπλοκα υλικά, όπως ένα κράμα απαιτούν την κωδικοποίηση διπλάσιου αριθμού ατόμων, καθιστώντας τον υπολογισμό τέσσερις φορές πιο αργό χρησιμοποιώντας συμβατικές μεθόδους. Η εκτέλεση αυτών των τύπων υπολογισμών βασίζεται επί του παρόντος σε μια προσέγγιση κβαντικής χημείας που ο Voznyy αναφέρει ως “υπολογισμός ωμής δύναμης”, επειδή είναι αργός και χρησιμοποιεί μεγάλη υπολογιστική ισχύ.
Αντίθετα, το μοντέλο που αναπτύχθηκε από την ομάδα του Voznyy μπορεί να κάνει αυτούς τους υπολογισμούς 1.000 φορές πιο γρήγορα.
«Η φιλοσοφία μας είναι ότι δεν θέλουμε να ξοδέψουμε άλλα 10 χρόνια προετοιμάζοντας δεδομένα που θα προβλέψουν το ίδιο αποτέλεσμα», λέει ο Voznyy, ο οποίος διευθύνει το Εργαστήριο Καθαρής Ενέργειας στο University of Toronto Scarborough.
«Θέλουμε να είμαστε σε θέση να προβλέπουμε νέα υλικά γρηγορότερα και πιο αποτελεσματικά, ώστε να αρχίσουμε να δημιουργούμε φυσικά αυτά τα υλικά νωρίτερα και με μεγαλύτερη βεβαιότητα ότι θα λειτουργήσουν».
Τα προηγούμενα μοντέλα ήταν σε θέση να αναπαράγουν τη σταθερότητα γνωστών υλικών, αλλά δεν μπορούσαν να κάνουν προβλέψεις για υλικά με άγνωστες κρυσταλλικές δομές, κάτι που αναφέρεται στον τρόπο με τον οποίο τα άτομα, τα ιόντα και τα μόρια είναι διατεταγμένα σε ένα υλικό – ουσιαστικός παράγοντας για τον προσδιορισμό των φυσικών τους ιδιοτήτων. Εκπαιδεύοντας το νέο μοντέλο σε κάτι που ονομάζεται παραμορφωμένες δομές, παρέχει πληροφορίες για το πώς θα λειτουργούν τα νέα υλικά υπό πίεση και επιτρέπει στο μοντέλο να χαλαρώσει μια κρυσταλλική δομή στην πιο σταθερή διαμόρφωσή της.
«Η γνώση της ακριβούς κρυσταλλικής γεωμετρίας είναι απαραίτητη για την ακριβή πρόβλεψη του πώς θα φαίνονται οι ιδιότητες των νέων υλικών και πώς θα λειτουργήσουν», λέει ο Voznyy. «Αυτή η μέθοδος επιταχύνει σημαντικά αυτή τη διαδικασία και ανοίγει πολλές δυνατότητες».
Η ομάδα του Voznny χρησιμοποίησε τον Niagara, τον υπερυπολογιστή του University of Toronto που βρίσκεται στο κέντρο SciNet, για να εκτελέσει τους υπολογισμούς για τη μελέτη, η οποία δημοσιεύτηκε στο περιοδικό Patterns.
