La capacité à générer des nanomatériaux optimisés avec des réseaux de neurones artificiels peut révolutionner considérablement l'avenir de la conception de matériaux dans la science des matériaux. Alors que les scientifiques avaient progressivement créé de petites molécules simples, des matériaux poreux cristallins complexes restent à générer à l'aide de réseaux de neurones. Dans un récent rapport sur Avancées scientifiques , Baekjun Kim et une équipe de chercheurs du Département de génie chimique et biomoléculaire du Korea Advanced Institute of Science and Technology, République de Corée, mis en place un réseau accusatoire génératif.

Ils ont produit 121 matériaux poreux cristallins à l'aide d'un ensemble d'apprentissage de 31, 713 zéolithes connues. Le nouveau réseau neuronal a pris la forme de dimensions d'énergie et de matériaux pour produire de manière fiable des zéolites avec une plage souhaitée par l'utilisateur de 4 kJ/mol de chaleur d'adsorption du méthane. Ils ont désigné la dimension énergétique dans le travail comme étant l'énergie potentielle du méthane. Le réglage fin de la capacité souhaitée par l'utilisateur peut potentiellement accélérer le développement de matériaux, tout en démontrant un cas réussi de conception inverse de matériaux poreux.

Les scientifiques des matériaux ont mené des recherches importantes pour découvrir de nouveaux matériaux à l'aide de l'intelligence artificielle au cours des dernières années. Ils ont fait des progrès considérables en utilisant une variété de réseaux de neurones artificiels (ANN) pour générer des molécules et des matériaux non découverts. Cependant, Les ANN doivent encore être utilisés avec succès pour créer de nouveaux matériaux cristallins, puisque l'apprentissage automatique n'avait jusqu'à présent prédit que les propriétés des matériaux, composition, énergie de bande interdite, l'énergie de formation et les absorptions d'adsorption de gaz. Les matériaux poreux cristallins contiennent des arrangements denses de pores microscopiques pour une surface et un volume de pores plus élevés. Ils constituent une classe importante de matériaux pour une variété d'applications diverses liées à l'énergie et à l'environnement. Par rapport à d'autres matériaux cristallins, les matériaux poreux tels que les zéolithes, les cadres organiques métalliques (MOF) et les cadres organiques covalents (COF) sont comparativement plus difficiles à générer à l'aide des ANN en raison d'une plus grande complexité.

Dans cette étude, Kim et al. a conçu un ANN pour générer des matériaux poreux cristallins en ciblant spécifiquement un problème d'étude de cas pour produire des structures de zéolite de silice pure, choisis pour leur simplicité structurelle. L'équipe a utilisé une multitude de matériaux disponibles sur une base de données ouverte de zéolites hypothétiques pour entraîner le réseau neuronal. Les zéolites sont classiquement définies comme des aluminosilicates avec des cadres tridimensionnels ouverts (3-D) contenant des TO partageant les coins 4 tétraèdres où T est l'aluminium (Al) ou le silicium (Si).

Alors que quelques efforts de recherche antérieurs utilisaient un algorithme d'évolution pour cibler les propriétés des matériaux, ces méthodes conventionnelles conduisent à la génération par force brute de matériaux poreux, nécessitant un criblage coûteux en calcul pour identifier les matériaux optimaux pour une application donnée. La majorité de ces matériaux générés ont des propriétés médiocres, affectant l'allocation inefficace des ressources de calcul. Kim et al. a conçu le nouveau réseau de neurones pour représenter les entrées dans les dimensions matérielles et énergétiques. Le nouvel algorithme a un avantage unique pour réaliser une conception de matériaux inverse en utilisant des ANN pour biaiser la dimension énergétique en corrélation avec les propriétés des matériaux.

Réseau contradictoire génératif pour les zéolithes.

L'équipe a utilisé des réseaux antagonistes génératifs (GAN) pour produire des matériaux poreux cristallins en raison de leur capacité accrue à produire des objets réalistes tels que des visages humains. Le GAN contenait un discriminateur et un générateur, où la discrimination pourrait différencier les données réelles et fausses, car le générateur agit pour tromper le discriminateur en formant progressivement des objets réalistes (mais faux). Cette configuration pourrait faire progresser l'apprentissage contradictoire en générant des objets de plus en plus réalistes en tant que sous-produit de l'amélioration du processus d'apprentissage à la fois pour le discriminateur et le générateur.

Le but de ce travail étant de générer des matériaux et des formes énergétiques, Kim et al. formé un nouveau type de GAN nommé zéolite GAN (ZeoGAN). L'équipe visait à produire des matériaux de zéolite réalistes à l'aide du générateur de ZeoGAN avec leurs formes d'énergie correspondantes pour ajouter plusieurs fonctionnalités à la configuration. Ils ont ajouté un rembourrage périodique dans le critique (ou le discriminateur) pour éviter de générer des formes non réalistes qui pourraient conduire à des liens irréalistes, et a facilité la convergence des matériaux et des formes énergétiques en ajoutant une correspondance de caractéristiques au ZeoGAN.

Dans le présent dispositif expérimental, ils ont divisé l'entrée du réseau neuronal en matériaux et grilles énergétiques, avec la grille de matériaux subdivisée en grilles d'atomes de silicium et d'oxygène sur la base de simulations moléculaires classiques. Les scientifiques ont utilisé trois grilles chacun et ont gardé le nombre de points de grille petit et constant pour réduire le coût de la mémoire, car des grilles plus grandes peuvent conduire à un processus d'apprentissage très lent. Ils représentaient les positions des atomes de silicium (Si) et d'oxygène (O) à l'aide de fonctions gaussiennes, où le pic de la gaussienne correspondait à la position des atomes de zéolithe.

Génération de zéolithes de silice pure

Les scientifiques ont utilisé un total de 31, 173 zéolithes accessibles au méthane pour entraîner le réseau de neurones. Le processus d'apprentissage de ZeoGAN a montré l'évolution des formes matière/énergie à partir de leurs distributions initiales de bruit gaussien. Ils ont entraîné le discriminateur à estimer la distance du Earth mover (EMD) entre la distribution des données et la distribution du générateur, et entraîné le générateur à minimiser l'EMD afin de générer des échantillons réalistes. Initialement, les formes matière/énergie ressemblaient à une distribution typique du bruit, mais au fur et à mesure que l'apprentissage progressait, ils occupaient des régions séparées dans l'espace des cellules unitaires pour se transformer en formes ressemblant à des zéolites typiques.

Au total, ils ont généré 1 million de formes de zéolite (à la fois matérielles et énergétiques) à partir du ZeoGAN. De ces formes, ils ont attribué les positions des atomes d'oxygène et de silicium en utilisant une règle simple et ont calculé le rapport Si:O pour chaque sortie. Les formes de la zéolite ont évolué au fur et à mesure qu'elles traversaient avec succès une opération de nettoyage pour produire un rapport Si:O optimal et une connectivité de liaison de 100 pour cent. De cet ensemble, ils ont conservé des structures avec un petit nombre d'atomes T symétriquement uniques (où T est Al ou Si). Les structures relâchées finales ressemblaient à leurs formes initiales de zéolite, indiquant que le post-traitement n'a pas modifié de manière significative l'essence des nouvelles formes de zéolite. Kim et al. obtenu un total de huit structures résultantes après nettoyage, qui n'étaient pas dans l'ensemble de formation d'origine pour indiquer la création réussie de nouvelles zéolites à l'aide de ZeoGAN.

Utilisation de ZeoGAN pour la conception inverse de zéolites

Les zéolites générées jusqu'à présent à partir de ZeoGAN ne contenaient aucune propriété souhaitée par l'utilisateur. Pour améliorer la conception, l'équipe de recherche a choisi de modifier la chaleur d'adsorption du méthane et la fonction de perte de ZeoGAN pour générer des zéolites avec des valeurs de chaleur d'adsorption comprises entre 18 et 22 kJ/mol. L'équipe a observé un changement important dans la distribution de la chaleur d'adsorption du méthane dans les données pour le million de nouvelles formes de zéolite souhaitées par l'utilisateur, indiquant le bon fonctionnement du critère souhaité par l'utilisateur. Les valeurs n'étaient pas corrélées avec la nouvelle fonction de perte, toutefois. L'équipe a ensuite mis en place un processus de nettoyage similaire (comme précédemment), pour le million de formes de zéolithes souhaitées par l'utilisateur, pour produire six nouvelles zéolites et une zéolite également produites précédemment dans l'ensemble souhaité par les non-utilisateurs. De ces six zéolithes, quatre ont maintenu la chaleur d'adsorption du méthane entre 18 et 22 kJ/mol comme prévu, indiquant une conception inverse réussie des zéolites.

Ces expériences étaient une première étude, puisque les modèles expérimentaux ou informatiques précédents n'avaient pas jusqu'à présent donné de propriétés dans cette plage spécifique souhaitée par l'utilisateur. En outre, quand Kim et al. supprimé les restrictions concernant le nombre d'atomes T uniques possibles pour les candidats zéolites générés à partir des RNA, ils ont observé une augmentation significative du nombre de zéolithes nouvellement formées. De cette façon, ils ont obtenu au total 121 structures de zéolite réalisables en utilisant l'ANN développé en interne, pour étendre avec succès le nombre de nouvelles zéolites dans l'espace matériel de zéolite de silice pure.

Ce travail ouvrira potentiellement la voie à l'incorporation des ANN pour cibler les propriétés souhaitées par l'utilisateur avant la conception et la synthèse des matériaux. Bien que l'ANN soit limité aux atomes de silicium et d'oxygène ici pour plus de simplicité, le nombre de canaux d'entrée peut être augmenté pour couvrir des matériaux cristallins plus complexes tels que les MOF et les COF. La portée de ce travail peut être élargie pour affecter la conception future de diverses classes de matériaux.

© 2020 Réseau Science X