手作業の13倍以上の速さ「ロボット+AI」で電池に最適な電解質を発見し、材料研究を加速
編集者 | Ziluo
従来の材料研究開発モデルは主に「試行錯誤」の実験方法や偶然の発見に依存しており、その研究開発プロセスは通常 10 ~ 20 年かかります。
機械学習 (ML) に基づくデータ駆動型の手法により、クリーン エネルギー技術用の新しい材料の設計を加速できます。しかし、大規模で忠実度の高い実験データベースが不足しているため、材料研究における実用化は依然として限定的です。
最近、米国の太平洋岸北西部国立研究所とアルゴンヌ国立研究所の研究チームは、高スループットの実験プラットフォームと最先端のアクティブラーニングアルゴリズムを組み合わせて、バイナリ有機物を効率的にスクリーニングする高度に自動化されたワークフローを設計しました。陽極液に最適な溶解度を持つ溶媒。 この研究の目的は、エネルギー貯蔵システムの性能と安定性を向上させ、再生可能エネルギーの普及を促進することです。従来、陽極液に関する研究は通常、多くの試行錯誤の実験を必要とし、時間と労力がかかります。この自動化されたワークフローを使用することで、研究者は適切な二元化合物をより迅速に選別することができます。高性能レドックスフロー電池を開発するために設計された効率的なワークフローに加えて、この機械学習に基づいた高スループットロボットプラットフォームは、研究を加速するための強力で多用途なアプローチを提供します。機能性材料の発見。
査読者は次のようにコメントしました:「この研究は、AI 誘導ロボット プラットフォームがエネルギー用途における溶媒と電解質の非直観的な組み合わせを効果的に見つけられることを示しています。この研究は電池コミュニティにとって重要な意味を持っています。」
この研究のタイトルは「
最適な電解質配合の発見を加速するための統合された高スループットロボットプラットフォームとアクティブラーニングアプローチ」で、2024年3月29日に「Nature Communications」に掲載されました # ##"優れた。
論文リンク: https://www.nature.com/articles/s41467-024-47070-5
クリーン エネルギー技術アプリケーションの開発を確実にし、電力の徹底的な脱炭素化を達成することが重要であるため、ツールの目標とする機能特性を備えた材料を設計することは、クリーン エネルギー技術アプリケーションの開発と電力の徹底的な脱炭素化を達成するために重要です。従来の試行錯誤方法はコストと時間がかかるため、設計ツールは本質的に高価であり、時間の節約になります。
レドックス活性分子の溶解度は、レドックスフロー電池 (RFB) のエネルギー密度を決定する重要な要素です。しかし、電解質材料の発見は、データ駆動型アプローチを活用するために重要な実験的溶解度データセットの欠如によって制限されています。 それにもかかわらず、非水性 RFB (NRFB) 用の可溶性の高いレドックス活性有機分子 (ROM) の開発は、有機溶媒系とアプリケーション関連の実験的溶解度データの標準化が欠如しているため、依然として困難な課題です。 。 タスク。 自動ハイスループット実験 (HTE) プラットフォームを活用することで、「過剰溶質」溶解度測定法の信頼性と効率が向上し、NRFB の溶解度データベースを構築できます。ただし、HTE システムを使用した場合でも、潜在的な溶媒混合物が多様であるため、スクリーニング プロセスに時間と費用がかかります。 アクティブ ラーニング (AL)、特にベイズ最適化 (BO) は、エネルギー貯蔵用途に必要な電解質の探索を加速する信頼できる方法であることが証明されています。したがって、BO によってガイドされる閉ループ実験ワークフローを使用して、HTE の実行を最小限に抑えることができます。ML 誘導型ハイスループット実験ロボット プラットフォーム
ここで、研究者は 2,1,3-ベンゾチアジアゾール (2,1,3-ベンゾチアジアゾール (BTZ)、高度な非局在化電荷密度と良好な化学的安定性を備えた高性能陽極液は、モデル ROM として機能します。焦点は、NRFB 電解質の発見を加速するための、機械学習に基づくハイスループット実験 (HTE) ロボット プラットフォームの可能性を実証する、さまざまな有機溶媒への溶解度の研究にあります。
図: 機械学習 (ML) によって誘導されたハイスループット実験プラットフォームに基づく閉ループ電解質スクリーニング プロセスの概略図。 (出典: 論文)
ワークフローを下の図に示します。具体的な手順は次のとおりです。
- まず、ROM の飽和溶液を準備し、HTE プラットフォームを介してサンプルを分析します。次に、これらのサンプルの核磁気共鳴(NMR)スペクトルを取得し、そのスペクトルデータを使用してROMの溶解度を計算しました。
- このデータ セットは、BO プロセスの一部として、検索空間内の未テストのサンプルの溶解度を予測するために使用されるサロゲート モデルをトレーニングするために使用されます。
- その後、取得関数が BO フレームワーク内で適用され、新しいサンプルの選択をガイドし、予測される溶解度値と関連する不確実性 (つまり、フィットネス スコア) のバランスに基づいて評価をガイドし、それによって分析が簡素化されます。潜在的な溶媒の発見と分析。
手動サンプル処理よりも 13 倍以上高速です
自動プラットフォームは、過剰な溶質を含む飽和溶液と最小限の量で定量的核磁気共鳴 (qNMR) を調製できます。手動介入)サンプルです。
自動化された HTE ワークフローを使用すると、42 個のサンプルの溶解度測定を完了するための合計実験時間は約 27 時間でした (サンプルあたり約 39 分、より多くのサンプルを実行するとサンプルあたりの時間は短縮されます)。これは、「過剰溶質」法を使用して手動でサンプルを処理するよりも 13 倍以上高速です (サンプルあたり約 525 分)。
HTE システムによる速度の向上に加えて、研究では、BTZ の正確な測定を保証するために、温度 (20°C) や安定化時間 (8 時間) などの実験条件の制御にも重点が置かれました。さまざまな有機溶媒への溶解性。
図: 自動化されたハイスループット実験 (HTE) プラットフォームの概要。 (出典: 論文)
文献レビューと溶媒特性の考察に基づいて、研究者らは BTZ の潜在的な候補溶媒を 22 個リストアップしました。次に、それぞれ 9 つの異なる体積分率を持つこれら 22 の単一溶媒をペアで組み合わせることで、追加の 2079 の二成分溶媒がさらに列挙されました。
表: 22 の候補有機溶媒とその物理的および化学的特性のリスト。 (出典: 論文)
#プラットフォームは、プロトタイプの酸化還元活性分子を使用して、2,000 を超える潜在的な溶媒の包括的なライブラリから複数の溶媒を特定します2,1,3 - 溶解度の閾値ベンゾチアジアゾールの量は 6.20 M を超えます。注目すべきことに、この包括的な戦略では、薬物候補の 10% 未満について溶解度評価が必要であり、新しいアプローチの効率性が強調されました。
図: ベイジアン最適化 (BO) による必要な電解質の特定。 (出典: 論文)
研究結果は、二成分溶媒混合物、特に 1,4-ジオキサン (1,4-ジオキサン) を組み込んだ混合溶媒が BTZ の溶解度の向上に役立つことも示しています。
結論として、この研究は、電解質スクリーニングのための ML ガイド付き HTE プラットフォームを実証します。ML 予測と自動実験が連携して、BTZ に最適な溶解度を持つ二元有機溶媒を効果的にスクリーニングします。
この研究は、データ サイエンスの分野と従来の実験科学の分野を結び付けるのに役立つだけでなく、バッテリー電解液スクリーニング専用の自律プラットフォームの将来の開発の基礎を築くことにもなります。
以上が手作業の13倍以上の速さ「ロボット+AI」で電池に最適な電解質を発見し、材料研究を加速の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック











現代の製造において、正確な欠陥検出は製品の品質を確保するための鍵であるだけでなく、生産効率を向上させるための核心でもあります。ただし、既存の欠陥検出データセットには、実際のアプリケーションに必要な精度や意味論的な豊富さが欠けていることが多く、その結果、モデルが特定の欠陥カテゴリや位置を識別できなくなります。この問題を解決するために、広州香港科技大学と Simou Technology で構成されるトップの研究チームは、産業欠陥に関する詳細かつ意味的に豊富な大規模なアノテーションを提供する「DefectSpectrum」データセットを革新的に開発しました。表 1 に示すように、他の産業データ セットと比較して、「DefectSpectrum」データ セットは最も多くの欠陥注釈 (5438 個の欠陥サンプル) と最も詳細な欠陥分類 (125 個の欠陥カテゴリ) を提供します。

オープンな LLM コミュニティは百花繚乱の時代です Llama-3-70B-Instruct、QWen2-72B-Instruct、Nemotron-4-340B-Instruct、Mixtral-8x22BInstruct-v0.1 などがご覧いただけます。優秀なパフォーマーモデル。しかし、GPT-4-Turboに代表される独自の大型モデルと比較すると、オープンモデルには依然として多くの分野で大きなギャップがあります。一般的なモデルに加えて、プログラミングと数学用の DeepSeek-Coder-V2 や視覚言語タスク用の InternVL など、主要な領域に特化したいくつかのオープン モデルが開発されています。

AI にとって、数学オリンピックはもはや問題ではありません。木曜日、Google DeepMind の人工知能は、AI を使用して今年の国際数学オリンピック IMO の本当の問題を解決するという偉業を達成し、金メダル獲得まであと一歩のところまで迫りました。先週終了したばかりの IMO コンテストでは、代数、組合せ論、幾何学、数論を含む 6 つの問題が出題されました。 Googleが提案したハイブリッドAIシステムは4問正解で28点を獲得し、銀メダルレベルに達した。今月初め、UCLA 終身教授のテレンス・タオ氏が、100 万ドルの賞金をかけて AI 数学オリンピック (AIMO Progress Award) を宣伝したばかりだったが、予想外なことに、AI の問題解決のレベルは 7 月以前にこのレベルまで向上していた。 IMO に関する質問を同時に行うのが最も難しいのは、最も歴史が長く、規模が最も大きく、最も否定的な IMO です。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

編集者 | ScienceAI 限られた臨床データに基づいて、何百もの医療アルゴリズムが承認されています。科学者たちは、誰がツールをテストすべきか、そしてどのようにテストするのが最善かについて議論しています。デビン シン氏は、救急治療室で小児患者が治療を長時間待っている間に心停止に陥るのを目撃し、待ち時間を短縮するための AI の応用を模索するようになりました。 SickKids 緊急治療室からのトリアージ データを使用して、Singh 氏らは潜在的な診断を提供し、検査を推奨する一連の AI モデルを構築しました。ある研究では、これらのモデルにより医師の診察が 22.3% 短縮され、医療検査が必要な患者 1 人あたりの結果の処理が 3 時間近く高速化できることが示されました。ただし、研究における人工知能アルゴリズムの成功は、これを証明するだけです。

編集者 |KX 今日に至るまで、単純な金属から大きな膜タンパク質に至るまで、結晶学によって決定される構造の詳細と精度は、他のどの方法にも匹敵しません。しかし、最大の課題、いわゆる位相問題は、実験的に決定された振幅から位相情報を取得することのままです。デンマークのコペンハーゲン大学の研究者らは、結晶相の問題を解決するための PhAI と呼ばれる深層学習手法を開発しました。数百万の人工結晶構造とそれに対応する合成回折データを使用して訓練された深層学習ニューラル ネットワークは、正確な電子密度マップを生成できます。この研究では、この深層学習ベースの非経験的構造解法は、従来の非経験的計算法とは異なり、わずか 2 オングストロームの解像度で位相問題を解決できることが示されています。これは、原子解像度で利用可能なデータのわずか 10% ~ 20% に相当します。

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

著者 | 編集者 Bai Fan、香港中文大学 | ScienceAI 最近、香港中文大学と Zhiyuan は、3D 医療画像を促進するために M3D-Data、M3D-LaMed、M3D-Bench を含む一連の研究を共同提案しました。データセット、モデル、評価のあらゆる側面からの分析の開発。 (1) M3D-Data は現在最大の 3D 医用画像データ セットであり、M3D-Cap (120K3D 画像とテキストのペア)、M3D-VQA (510K の質問と回答のペア)、M3D-Seg (150K3DMask)、M3D-RefSeg ( 3K 推論セグメンテーション ) 合計 4 つのサブデータセット。 (2) M3D-LaMed は現在、最も汎用性の高い 3D 医療マルチモーダル大型モデルです。
