Von Materialdesign und -synthese bis hin zu Katalysatorinnovation und CO2-Neutralität erforscht das Team von Tsinghua Wang Xiaonan die Grenzen und Umsetzung von „KI+-Materialien“.

Autor |. Wang Xiaonan, Tsinghua-Universität

Herausgeber |. Kaixia

In der heutigen Zeit der rasanten technologischen Entwicklung ist die Forschung und Entwicklung neuer Materialien zu einer Schlüsselkraft bei der Förderung des wissenschaftlichen Fortschritts und der industriellen Revolution geworden. Von der Energiespeicherung über die Informationstechnologie bis hin zur Biomedizin sind Design, Synthese und funktionelle Charakterisierung innovativer Materialien die Eckpfeiler für Durchbrüche in diesen Bereichen. Die Forschung und Entwicklung neuer Materialien hat in vielen Bereichen zu Durchbrüchen geführt. Im Hinblick auf die Energiespeicherung arbeiten Forscher daran, effizientere und sicherere Batteriematerialien zu entwickeln, um den Speicherbedarf erneuerbarer Energien zu decken. Gleichzeitig hat die Weiterentwicklung der Informationstechnologie auch Materialwissenschaftler dazu veranlasst,

Mit der kontinuierlichen Weiterentwicklung der Technologie der künstlichen Intelligenz (KI) hat ihre Anwendung in der Forschung zu neuen Materialien ein neues Forschungsparadigma eröffnet und ist zu einer neuen Produktivkraft geworden, die übertrifft das traditionelle F&E-Modell. Insbesondere im Prozess des Materialdesigns, der Synthese und Charakterisierung hat die Unterstützung durch KI die Forschungseffizienz und -genauigkeit erheblich verbessert.

„Im Alter von 17 Jahren nach Tsinghua gehen, mit 27 als Doktorvater arbeiten, mit 30 nach Tsinghua zurückkehren, eine wissenschaftliche Forschungsgöttin der Post-90er-Jahre, die in die Global Scholars Lifetime 2023 aufgenommen wurde.“ Liste der akademischen Einflüsse ...“ Dies ist der legendäre Lebenslauf des Lehrers Wang Xiaonan von der Tsinghua-Universität.

Das von ihr geleitete Team widmet sich der interdisziplinären Forschung zu KI-beschleunigter Materialentwicklung und -anwendung, Katalysatordesign, neuer Energie und kohlenstoffarmer Technologie.

In den letzten Jahren wurde Forschung zu hochmodernen neuen Energie- und kohlenstoffarmen Technologien und Systemen rund um interdisziplinäre Themen wie KI+Energie, chemische Industrie und neue Umweltmaterialien durchgeführt, um die Gesamteffizienz und Wirtschaftlichkeit der Energie zu verbessern und Ressourcensysteme aus der Perspektive der mehrskaligen Systemintegration und zur Unterstützung des Zwei-Kohlenstoff-Ziels.

Im Hinblick auf KI-beschleunigte Materialforschung und -anwendung gibt es eine Reihe häufig zitierter Veröffentlichungen und Ergebnisse von Algorithmensoftware in Bereichen wie neuen Energiesystemen und intelligenten Modellen für die chemische Industrie.

In der KI-Ära mit der Explosion großer Modelle ist „Chemical Materials GPT“ im Gange, dass grundlegende Modellforschung eine langfristige Angelegenheit sei: „Lassen Sie die großen Modelle implementieren und tief in die Felder vordringen.“ der Wissenschaft und Technik und finden geeignete Anwendungsobjekte.“ , Implementierungsszenarien, das Zeitalter der Integration großer und kleiner Modelle ist angebrochen. „

Das schnelle Projekt zur Einbettung von Domänenwissen fördert die Anwendung von LLM im wissenschaftlichen Bereich

Das Team von Wang Xiaonan widmet sich seit langem der generativen KI, insbesondere den vertikalen Anwendungen großer Sprachmodelle in wissenschaftlichen Bereichen.

Derzeit haben große Sprachmodelle ihr großes Potenzial bei der Verarbeitung und Analyse großer Datensätze in mehreren allgemeinen Bereichen unter Beweis gestellt. Allerdings erfordern diese Modelle häufig eine weitere Feinabstimmung, um angesichts der Komplexität bestimmter vertikaler Domänen optimale Ergebnisse zu erzielen.

Prompt Engineering bezieht sich auf die Optimierung und Steuerung der Ausgabe großer Sprachmodelle durch sorgfältig gestaltete Eingabeaufforderungen oder Leitanweisungen, damit sie sich besser an Probleme in bestimmten Bereichen anpassen und diese bewältigen können.

Kürzlich hat das Team von Wang Xiaonan eine Hint-Engineering-Methode entwickelt, um seine Leistung im wissenschaftlichen Bereich durch die Integration von chemischem Domänenwissen in große Sprachmodelle zu verbessern.

Abbildung: Flussdiagramm eines Prompt-Engineering-Algorithmus zur Einbettung von Wissen im chemischen Bereich.

Die Studie erstellte zunächst einen Benchmark-Datensatz für Cue-Engineering-Tests, der komplexe physikalisch-chemische Eigenschaften kleiner Moleküle, Arzneimittelverfügbarkeit und funktionelle Eigenschaften von Enzymen und kristallinen Materialien umfasst, um deren Relevanz und Anwendungen in der Biologie und Chemie hervorzuheben. Gleichzeitig wird durch die Kombination mehrerer Prompt-Engineering-Heuristiken (Heuristiken) eine domänenwissensbasierte, eingebettete Prompt-Engineering-Methode vorgeschlagen. Diese Methode ist herkömmlichen Prompt-Engineering-Strategien in mehreren Metriken überlegen.

Darüber hinaus demonstriert das Team die Wirksamkeit des Ansatzes anhand von Fallstudien zu komplexen Materialien wie MacMillan-Katalysatoren, Paclitaxel und Lithiumkobaltoxid und hebt die Rolle großer Sprachmodelle hervor, die mit domänenspezifischem Prompt Engineering für die wissenschaftliche Entdeckung und Innovation ausgestattet sind leistungsstarke Werkzeuge.

Relevante Forschung trägt den Titel „Integrating Chemistry Knowledge in Large Language Models via Prompt Engineering“ und wurde am 22. April 2024 auf der Preprint-Plattform arXiv veröffentlicht.

Link zum Papier: https://arxiv.org/pdf/2404.14467

Intelligente Atomroboter-Sondentechnologie, kann Quantenmaterialien mit atomarer Präzision effizient herstellen

Kürzlich liefert die von Wang Xiaonans Team und den außerordentlichen Professoren Lu Jiong und Chun Zhang von der National University of Singapore gemeinsam entwickelte intelligente Atomroboter-Sondentechnologie einen typischen Beweis für diesen Paradigmenwechsel. Durch die Kombination von KI und Sondenchemie-Technologie wurde eine atomar präzise Synthese kohlenstoffbasierter Quantenmaterialien erreicht.

Abbildung: Atomare Robotersonde, die organische Quantensubstanzen auf der Ebene einzelner Moleküle präzise herstellen kann.

Diese Arbeit schlägt das konzeptionelle System „Chemist Intuitive Atom Robot Probe (CARP)“ vor, um offenschaliges magnetisches Nanographen auf Einzelmolekülebene vorzubereiten und zu charakterisieren, um seine elektronische π-Topologie und Spinkonfiguration zu realisieren. Gebaut mit Präzision. CARP wird von einer Reihe tiefer neuronaler Netze angetrieben, die durch die Erfahrung und das Wissen von Oberflächenchemikern trainiert werden. Sie können die unabhängige Synthese molekularer Materialien realisieren und effektiv wertvolle verborgene Informationen aus der experimentellen Trainingsdatenbank erhalten, um ein umfassendes Verständnis der Sonde zu ermöglichen Chemische Reaktionsmechanismen liefern wichtige Unterstützung.

Relevante Forschungsarbeiten trugen den Titel „Intelligente Synthese magnetischer Nanographene mittels einer von Chemikern gesteuerten Atomrobotersonde“ und wurden am 29. Februar 2024 in „Nature Synthesis“ veröffentlicht.

Link zum Papier: https://www.nature.com/articles/s44160-024-00488-7

Professor Michael Gottfried von der Universität Marburg in Deutschland schrieb „Einzelmolekülchemie mit einem intelligenten Roboter“ Gleichzeitig wurde diese Arbeit als führendes Beispiel für die Kombination von KI und Nanotechnologie bewertet.

「Steht als wegweisendes Beispiel hervor und zeigt bemerkenswerte Fortschritte bei der Kontrolle von Molekülen an der Grenze einzelner chemischer Bindungen.」

Diese Forschung überwindet nicht nur die schlechte Reaktionsselektivität und die geringe Produktionseffizienz in der traditionellen oberflächenunterstützten Synthese .Problem und die Umwandlung komplexer chemischer Prozesse durch tiefe neuronale Netze, wodurch die synthetische Präzision von Einzelmoleküloperationen ein beispielloses Niveau erreichen kann.

Aktives Lernen wird mit First-Principles-Berechnungen für das Katalysator-Screening und -Design kombiniert. In den letzten Jahren hat das Team von Wang Xiaonan eine Reihe von Frameworks für maschinelles Lernen für das Design, die Synthese und die Charakterisierungsbewertung von chemischen Materialien entwickelt Lernstrategien, ein Flux-Katalysator-Screening-Modell auf hoher Ebene und gleichzeitige Optimierung von Prozessparametern, um eine präzise Designoptimierung auf mehreren Ebenen zu erreichen. Um das schwierige Problem der Integration komplexer Daten und Wissen von der atomaren bis zur Makroebene anzugehen, werden mehrskalige digitale Zwillinge und kohlenstoffarme intelligente vernetzte Systeme eingerichtet.

Zusätzlich zu den oben genannten Durchbrüchen in der Grundlagenforschung wurden auch eine Reihe wichtiger Anwendungen für das Hauptschlachtfeld der Volkswirtschaft entwickelt.

Beim Design von Katalysatoren für die selektive Hydrierung von Alkinen mit niedrigem Kohlenstoffgehalt haben wir mit dem Team von Professor Duan Xuezhi von der East China University of Science and Technology zusammengearbeitet, um eine präzise Kontrolle der Struktur des aktiven Ni-Zentrums auf atomarer Ebene zu erreichen stellte nicht nur eine Richtungskontrollstrategie für den Zielreaktionspfad bereit, sondern förderte auch die weit verbreitete Anwendung von Nichtedelmetallkatalysatoren in der petrochemischen Industrie.

Das Forschungsteam schlug eine Forschungsmethode vor, die einen aktiven Lernrahmen basierend auf Bayes'scher Optimierung mit DFT-Berechnungen kombiniert und dabei die Energiebarrierendifferenz zwischen Ethylendesorption und seiner weiteren Hydrierung als Selektivitätsdeskriptor nutzt, um einen automatisierten Katalysator-A-Workflow zu erstellen Hochdurchsatz-Screening zur Vorhersage leistungsstarker intermetallischer Verbindungen auf Ni-Basis für die selektive Hydrierung von Acetylen.

Anschließend wurden 15 leistungsstarke intermetallische Verbindungen auf Ni-Basis schnell aus mehr als 3000 in Frage kommenden intermetallischen Verbindungen auf Ni-Basis als potenzielle Alkin-Hydrierungskatalysatoren gescreent, um die Vorhersagegenauigkeit des ML-Modells weiter zu überprüfen und das Endergebnis zu ermitteln Bestimmung Der empfohlene NiIn-Katalysator wurde als optimaler Kandidatenkatalysator für die weitere experimentelle Überprüfung identifiziert.

Die Bewertung der katalytischen Reaktionsleistung zeigt Folgendes: Wenn die Acetylen- und Propin-Umwandlungsrate des NiIn-Katalysators mit intermetallischer Verbindung 100 % beträgt, beträgt die Ethylen- und Propylenselektivität bis zu 97,0 %, was deutlich höher ist als beim Referenzkatalysator, was die Rolle demonstriert von künstlicher Intelligenz im Katalysatordesign Großes Potenzial.

Die entsprechenden Ergebnisse wurden online im Journal of the American Chemical Society unter dem Titel „Atomic Design of Alkyne Semihydrogenation Catalysts via Active Learning“ veröffentlicht. Eine Reihe entdeckter Katalysatoren wird auch industriell skaliert.

Abbildung: Katalysator-Screening-Design basierend auf dem aktiven Lernrahmen der Bayes'schen Optimierung kombiniert mit DFT-Berechnung.

Link zum Papier: https://pubs.acs.org/doi/full/10.1021/jacs.3c14495

KI+Kohlenstoffneutralität: Beschleunigen Sie die Entwicklung von Hochleistungs-Pflanzenkohle und verbessern Sie die CO₂ Erfassung Kapazität

Wang Xiaonans Team widmet sich seit langem dem Bereich der KI+Kohlenstoffneutralität. Im Hinblick auf die Forschung zur Kohlendioxidabscheidung mithilfe von Biokohle aus Biomasseabfällen hat es das Pacific Rim University Alliance Sustainable Waste Management Project mitgestaltet Mit multinationalen Kooperationspartnern und entwickelten kohlenstoffarmen, kohlenstofffreien und kohlenstoffnegativen Technologien mildern wir den Klimawandel und fördern gleichzeitig eine nachhaltige Abfallwirtschaft.

Angesichts der Herausforderungen, die der traditionelle Biokohle-Syntheseprozess mit sich bringt, da er zeitaufwändig, mühsam und ungenau ist, hat das Team von Wang Xiaonan eine maßgeschneiderte aktive Lernstrategie entwickelt, die die Synthese von Biokohle steuern und beschleunigen und ihre Fähigkeit, Kohlendioxid zu absorbieren, verbessern kann.

Dieses Framework lernt experimentelle Daten, empfiehlt die besten Syntheseparameter, überprüft den Lerneffekt durch Experimente und verwendet iterativ experimentelle Daten für das anschließende Modelltraining und die erneute Validierung, wodurch ein vollständiger geschlossener Regelkreis entsteht.

Das Forschungsteam synthetisierte schließlich 16 künstlich hergestellte Pflanzenkohleproben mit spezifischen Eigenschaften und verdoppelte damit nahezu die Menge an absorbiertem Kohlendioxid in der letzten Runde. Diese Studie demonstriert einen datengesteuerten Arbeitsablauf, der die Entwicklung leistungsstarker technischer Pflanzenkohlematerialien beschleunigt.

Die entsprechenden Ergebnisse wurden in der renommierten Umweltzeitschrift „Environmental Science & Technology“ unter dem Titel „Active Learning-Based Guided Synthesis of Engineered Biochar for CO₂ Capture“ veröffentlicht und als Titelpapier ausgewählt.

Abbildung: Datengesteuerter Closed-Loop-Entwicklungsprozess für CO₂-Abscheidungsmaterialien.

Link zum Papier: https://pubs.acs.org/doi/full/10.1021/acs.est.3c10922

eröffnet neue Wege für die wissenschaftliche Erforschung und bietet starke Unterstützung für praktische Anwendungen

Diese Forschungsreihe Wir haben Unterstützung von Projekten wie dem „New Generation Artificial Intelligence National Major Science and Technology Project“ erhalten, bei dem Professor Wang Xiaonan als Projektleiter und Chefwissenschaftler fungiert.

Relevante Ergebnisse eröffnen nicht nur neue Wege für die wissenschaftliche Erforschung, sondern bieten auch starke Unterstützung für praktische Anwendungen, insbesondere zeigen sie großes Potenzial bei der Förderung einer nachhaltigen Entwicklung und der Reaktion auf globale Probleme.

Mit dem rasanten Fortschritt der KI-Technologie sind ihre Anwendungsaussichten in der intelligenten Chemietechnik, der Entwicklung neuer Materialien, der neuen Energietechnologie und anderen Bereichen sehr breit gefächert und werden zu innovativeren Ergebnissen führen.

Das obige ist der detaillierte Inhalt vonVon Materialdesign und -synthese bis hin zu Katalysatorinnovation und CO2-Neutralität erforscht das Team von Tsinghua Wang Xiaonan die Grenzen und Umsetzung von „KI+-Materialien“.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!