تشهد علوم المواد ثورة بفضل التقدمات الأخيرة في الذكاء الاصطناعي (AI)، الذي يتيح إمكانيات غير مسبوقة في تصميم المركبات الجديدة والتنبؤ الدقيق بخصائصها. من بين هذه التقنيات، حظيت خوارزميات تعلم الآلة القائمة على الرسوم البيانية (ML) باهتمام كبير لقدرتها على التقاط التفاعلات الذرية المعقدة واستخدامها كوصفات فعالة. في هذه الدراسة، دمجنا الذكاء الاصطناعي التوليدي المتطور (Gen AI) وتقنيات تعلم الآلة مع الحسابات الكمومية لاكتشاف إلكتروليتات جديدة للجيل القادم من بطاريات المعادن القلوية. قمنا بتطوير إطار عمل لشبكة الخصومة التوليدية (GAN) يتضمن مولدًا ومميزًا قائمين على الرسوم البيانية لتوليد مرشحين جدد للإلكتروليتات. تم تدريب نموذج GAN على جزء فرعي من حوالي مليون جزيء من قاعدة بيانات GDB-11، مما مكّن من توليد 30,000 جزيء فريد وصحيح كيميائيًا. في الوقت نفسه، تم تدريب نموذج شبكة الأعصاب المارة للرسائل (MPNN) للتنبؤ بالخصائص باستخدام مجموعة بيانات QM9. باستخدام النموذج المدرب، توقعنا خصائص الجزيئات المولدة حديثًا وقمنا بفرز المرشحين بناءً على معيار الإنثالبي القياسي السلبي للتكوين ووجود فجوة واسعة بين HOMO وLUMO. أُجريت حسابات نظرية الكثافة الوظيفية (DFT) للمزيد من الفرز وتقييم الخصائص الحرارية الكهروكيميائية الأساسية مثل الإنثالبي القياسي للتكوين، وجهد الأكسدة، وجهود الاختزال. في النهاية، تم اختيار 26 مرشحًا واعدًا يتمتعون بخصائص كهروكيميائية متميزة. تُظهر نتائجنا إمكانيات النهج المدعومة بالذكاء الاصطناعي لاكتشاف إلكتروليتات عالية الأداء، مستقرة وفعالة كبدائل واعدة للإلكتروليتات العضوية التقليدية لنظم تخزين الطاقة الجيل القادم.
Building similarity graph...
Analyzing shared references across papers
Loading...
Rafiuzzaman Pritom
Md Mahbubul Islam
Journal of Chemical Information and Modeling
Wayne State University
Building similarity graph...
Analyzing shared references across papers
Loading...
درس بريتوم وزملاؤه (Fri,) هذا السؤال.
www.synapsesocial.com/papers/69b6069b83145bc643d1cb35 — DOI: https://doi.org/10.1021/acs.jcim.6c00135
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: