相关实验视频
Updated: Jul 23, 2025
11:37
Cellular Redox Profiling Using High-content Microscopy
Published on: May 14, 2017
11.0K
使用MolGAT对有前途的氧活性分子进行高通量选
Mesfin Diro Chaka1,2, Chernet Amente Geffe1, Alex Rodriguez3
1Department of Physics, College of Natural and Computational Sciences, Addis Ababa University, P.O. Box 1176, Addis Ababa 1176, Ethiopia.
ACS omega
|July 17, 2023
概括
研究人员开发了MolGAT,一个图形神经网络模型,以加速发现用于氧化还原流电池 (RFB) 的新型有机分子. 这种人工智能方法有效地选了庞大的化学图书馆,识别了数千个对储能应用的有前途的候选人.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 储能 储能 储能 储能 储能 储能
背景情况:
- 反氧流电池 (RFB) 由于其高能量密度,低成本和环境效益,对大规模储能充满希望.
- 识别具有高氧化还原活性,可溶性,稳定性和快速动力学的合适有机分子对于RFB开发至关重要,但具有挑战性.
- 像密度函数理论这样的传统计算方法是准确的,但耗时且计算成本昂贵.
研究的目的:
- 开发和验证一种机器学习模型,以加速为RFB发现新型氧化还原活性有机化合物的发现.
- 利用图形神经网络 (GNN) 来根据结构和原子性质预测分子氧化还原潜力.
- 选大型化学数据库,寻找RFB应用的潜在的阴解质和阳解质材料.
主要方法:
- 开发了一种基于GNN的模型MolGAT,用于使用分子结构,原子和键特性预测有机分子的氧化还原潜力.
- 在超过15,000个化合物的数据集上训练了MolGAT,与其他GNN变体相比,其表现优越.
- 使用训练的MolGAT模型选了一个大型化学数据集 (581,014个分子).
主要成果:
- 从选的化学数据集中确定了23467种潜在的氧化还原活性有机化合物.
- 发现了20716个潜在的阴极体,预测的氧化还原潜力高达2.87V.
- 确定了2,751个潜在的解质,预测的氧化还原潜力低至-2.88 V.
结论:
- 图形神经网络,特别是MolGAT,是加速发现RFB的氧化还原活性材料的有效工具.
- 该研究成功地选了庞大的化学空间,确定了许多有前途的候选人进行进一步的研究.
- 这种人工智能驱动的方法大大减少了与发现新材料用于储能相关的时间和计算成本.
