Дослідники команди Azure Quantum Elements (AQE) від Microsoft та Північно-Західної національної лабораторії (PNNL) Енергетичного департаменту США співпрацювали у проекті, спрямованому на прискорення розробки експериментальних акумуляторів за допомогою поєднання штучного інтелекту та високопродуктивного обчислювання.
Традиційний підхід до розробки акумуляторів передбачає тестування гіпотез за гіпотезою до визначення ідеального кандидата. Однак цей процес може бути витратним за часом та неефективним. Команди AQE та PNNL досягли результату, використовуючи AI-моделі для оцінки різних матеріалів та підказки перспективних комбінацій. Пронизавшись кількома етапами машинного навчання та симуляцією, вони обмежили можливості до 18 раніше невідомих сполук.
Особливістю цього проекту є розподіл обчислювальних ресурсів. Навпроти загальноприйнятних уявлень, 90% обчислювальних ресурсів було виділено на завдання машинного навчання з метою скорочення варіантів, тоді як тільки 10% використовувались для обчислювальних завантажень високої точності. Це підкреслює важливість ефективного використання обчислювальних ресурсів у вирішенні складних проблем.
Один з найуспішніших результатів проекту – твердий електроліт, що складається на 70% із натрію та на 30% з літію. Комбінування цих елементів призвело до акумулятора з перспективною щільністю енергії, використовуючи більш стійкий та розповсюджений ресурс. Процес синтезу та перетворення сполуки на акумулятор зайняв близько десяти годин, що значно швидше, ніж етап обчислення.
Хоча виявлення нової хімії акумулятора є значним досягненням, справжній успіх полягає у швидкості, з якою командам вдалося це зробити. Традиційно, дослідження акумуляторів такого масштабу займало багато років, але співпраця AQE-PNNL здобула це за кілька тижнів.
Майбутнє Microsoft та PNNL вивчають концепцію цифрових близнюків для хімії та матеріалознавства, що може подальше прискорити процес тестування та розробки. Створивши віртуальну копію для цифрового тестування виробничих змін, команди сподіваються скоротити час, потрібний для фізичного прототипування та тестування.
Хоча для встановлення життєздатності нової хімії акумулятора необхідні подальші випробування та створення прототипу, ця співпраця між AQE та PNNL демонструє потенціал поєднання AI, машинного навчання та високопродуктивного обчислювання для прискорення наукових відкриттів та інновацій.
The source of the article is from the blog papodemusica.com