弗吉尼亚理工大学的研究人员正在将人工智能用于寻找燃料电池和碳捕获等清洁技术的材料。
弗吉尼亚理工大学工程学院的研究人员开发了一种他们所谓的理论注入神经网络 (TinNet) 方法，该方法将深度学习算法与成熟的催化剂理论相结合，以识别材料。
深度学习是机器学习的一个子领域，它使用算法来模拟人脑的工作方式。
催化剂是触发或加速化学反应的材料。
“你今天看到的大约 90% 的产品实际上来自催化，”领导这项研究的弗吉尼亚理工大学化学工程副教授 Hongliang Xin 说。
“诀窍是为每个应用找到高效且强大的催化剂，而寻找新的催化剂可能很困难。了解催化剂如何与不同的中间体相互作用以及如何控制它们的键强度绝对是设计高效催化过程的关键，而我们的研究正是为此提供了一个工具。”
在他们发表在《自然通讯》杂志上的报告中，研究人员将他们的工作作为“有吸引力”但成本高昂的量子计算方法的替代方案，指出机器学习提供的速度比传统计算方法提高了几个数量级。
机器学习算法很有用，因为它们可以识别大数据集中的复杂模式。但深度学习有局限性，尤其是在预测高度复杂的化学相互作用方面——这是为所需功能寻找材料的必要部分。在这些应用中，有时深度学习会失败，并且可能不清楚原因。
TinNet 方法扩展了其预测和解释能力，这两者在催化剂设计中都至关重要。
研究人员打算让社区普遍使用他们的方法以供实际使用，他们预计将进一步开发可再生能源和脱碳技术。
