РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ

Машинное обучение сократит время поиска эффективных полимеров

Исследователи из Университета Осаки использовали машинное обучение для разработки новых полимеров для использования в фотоэлектрических устройствах. После виртуального отбора более 200000 материалов-кандидатов они синтезировали один из самых многообещающих и обнаружили, что его свойства соответствуют их предсказаниям. Эта работа может привести к революции в способах обнаружения функциональных материалов.
Машинное обучение сократит время поиска эффективных полимеров

А ведь такой подход значительно сокращает время исследований и если алгоритмы машинного обучения «довести до ума», то прорывных открытий станет гораздо больше

Машинное обучение — это мощный инструмент, который позволяет компьютерам делать прогнозы даже в сложных ситуациях, если алгоритмы снабжены достаточным количеством примеров данных. Это особенно полезно для сложных задач в материаловедении, например в проектировании молекул для органических солнечных элементов, которое может зависеть от множества факторов и неизвестных молекулярных структур. Людям потребовались бы годы для анализа данных, чтобы найти основные закономерности, и еще больше времени, чтобы проверить все возможные комбинации донорных полимеров и акцепторных молекул, из которых состоит органический солнечный элемент. Таким образом, прогресс в повышении эффективности солнечных элементов был медленным.

Теперь исследователи из Университета Осаки использовали машинное обучение для проверки сотен тысяч пар донор-акцептор на основе алгоритма, обученного на данных ранее опубликованных экспериментальных исследований. Испытание всех возможных комбинаций из 382 донорных молекул и 526 акцепторных молекул привело к 200 932 парам, которые были виртуально протестированы путем прогнозирования их эффективности преобразования энергии.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ
Пример химической структуры полимера (слева) и акцептора нефуллерена (справа)

«Построение нашей машинной модели на экспериментальном наборе данных резко повысило точность прогнозов» , — говорит первый автор Какарапарти Крантхираджа.

Чтобы проверить результат машинного прогноза, в лаборатории был синтезирован и протестирован один из полимеров, обладающих высокой эффективностью. Обнаружилось, что его свойства соответствуют предсказаниям. Такой результат придал исследователям больше уверенности в своем подходе.

РЕКЛАМА – ПРОДОЛЖЕНИЕ НИЖЕ
Метод разработки модели машинного обучения, виртуального создания полимеров и выбора полимеров для синтеза

«Этот проект может способствовать не только разработке высокоэффективных органических солнечных батарей, но и быть адаптирован к других функциональным материалам», - говорит старший автор Акинори Саэки.

 

Загрузка статьи...