研究人员使用人工智能同时优化多种液流电池特性

科学家们正在寻找专为电网设计的稳定的高能​​电池。将风能和太阳能等新的可再生能源并入电网需要专门设计的大型电池，这些电池可以在阳光明媚时充电并在夜间提供能量。一种类型的电池特别有希望用于此目的：液流电池。液流电池包含两个电活性化学物质罐，它们可以交换电荷并且可以容纳大量能量。

对于研究液流电池的研究人员来说，他们主要关心的是找到既能储存大量能量又能长时间保持稳定的目标分子。

为了找到合适的液流电池分子，能源部 (DOE) 阿贡国家实验室的研究人员已求助于人工智能 (AI) 的力量，在超过一百万个分子的广阔化学空间中进行搜索。发现正确的分子需要在几个不同的特征之间进行优化。“在这些电池中，我们知道我们需要的大部分分子都必须满足多种特性，”阿贡化学家 Rajeev Assary 说。“通过同时优化多种特性，我们可以更好地为我们的电池寻找最佳化学成分。”

“自然界从来都不是完美的;没有一种分子在各个方面都是理想的。我们的模型允许我们处理不同的参数以找到最合适的，”阿贡化学家 Rajeev Assary 说。

在继去年完成的工作之后的一项新研究中，阿贡能源储存研究联合中心的 Assary 和他的同事模拟了阳极电解液氧化还原聚合物，或液流电池中的电活性分子。对于每个氧化还原聚体，研究人员确定了他们想要优化的三个特性。前两个，还原电位和溶剂化自由能，与分子可以储存多少能量有关。第三个是荧光，作为一种自我报告标记，指示电池的整体健康状况。

由于计算所有潜在候选人感兴趣的属性非常耗时，因此研究人员转向了一种称为主动学习的机器学习和人工智能技术，其中模型实际上可以训练自己识别越来越合理的目标。“我们基本上是大海捞针，”阿贡博士后研究员 Hieu Doan 说。“当我们的模型找到看起来像针的东西时，它会自学如何找到更多东西。”

为了最有效地利用主动学习，研究人员从一个相当小的“大海捞针”开始——一个包含 1400 个氧化还原单体候选物的数据集，他们已经从量子力学模拟中知道了这些候选物的特性。通过使用该数据集作为实践，他们能够看到该算法正确识别了具有最佳特性的分子。

“在我们之前的研究中，我们展示了如何一次优化一个属性，但尝试同时优化多个属性是一种不同的挑战，而且可能对现实世界的条件更有价值，”Assary 说。“大自然从来都不是完美的;没有一个分子在各个方面都是理想的。我们的模型允许我们处理不同的参数以找到最合适的。”

一旦他们探索了 1400 个候选集，研究人员将他们的搜索扩展到了一个包含 100 万个不同候选者的化学空间。通过模型的迭代性能提升，越来越好的分子开始被识别。“我们感到鼓舞的是，通过仅观察 100 个分子，我们的模型已经定期发现具有比原始数据集中更有吸引力的特性的分子，”Doan 说。

据 Assary 称，优化算法的用途可能超出液流电池。他说，可以想象，这种算法可以应用于其他类型的电池甚至其他领域。“我们使用的数学方法也被股票交易员和数据科学家广泛使用，这表明优化问题是多么普遍，”他说。

基于这项研究的论文“使用量子化学引导的多目标贝叶斯优化发现储能分子材料”发表在 10 月 14 日的《材料化学》杂志上。

除了 Assary 和 Doan，该研究的其他作者还包括 Argonne 的 Lily Robertson 和 Lu Zhang。Garvit Agarwal，以前在阿贡，但目前是薛定谔的科学家，也对这项工作做出了贡献。

标签：