通过机器学习和云计算加速计算材料的发现:从大规模选到实验验证
Chi Chen1, Dan Thien Nguyen2, Shannon J Lee2
1Azure Quantum, Microsoft, One Microsoft Way, Redmond, Washington 98052, United States.
Journal of the American Chemical Society
|July 9, 2024
概括
这项研究通过机器学习 (ML) 和高性能计算 (HPC) 加快了材料的发现. 研究人员确定了用于电池的新型固态电解质,通过实验合成验证了计算预测.
科学领域:
- 材料科学
- 计算化学
- 电化学
背景情况:
- 高通量计算材料的发现有望加速创新,但由于计算资源的局限性而面临瓶.
- 计算发现材料的实验验证,特别是对于产品应用,仍然有限.
研究的目的:
- 展示大型计算材料发现和实验验证的可行途径.
- 确定用于先进电池应用的新型固态电解质材料.
主要方法:
- 结合了最先进的机器学习 (ML) 模型和传统的基于物理的模拟.
- 使用高性能云计算 (HPC) 来选超过3200万种材料.
- 合成并通过实验描述了有前途的候选材料,重点是固态电解质.
主要成果:
- 从超过3200万个候选物质中预测出大约50万种潜在的稳定物质.
- 确定了18种用于电池应用的新型固态电解质候选物.
- 合成并验证了NaLi3-YCl6 (0≤ x≤ 3) 系列作为潜在的固体电解质.
结论:
- 先进的ML和HPC方法可以克服材料发现的传统瓶.
- 综合计算和实验方法显著加快了功能材料的识别和验证.
- 这项工作为高效创新材料的新时代铺平了道路,特别是用于储能解决方案.


