De la conception et de la synthèse des matériaux à l’innovation des catalyseurs et à la neutralité carbone, l’équipe de Tsinghua Wang Xiaonan explore la frontière et la mise en œuvre des « matériaux IA+ ».

Auteur | Wang Xiaonan, Université Tsinghua

Éditeur | Kaixia

À l'ère actuelle de développement technologique rapide, la recherche et le développement de nouveaux matériaux sont devenus une force clé dans la promotion du progrès scientifique et de la révolution industrielle. Du stockage de l'énergie aux technologies de l'information en passant par la biomédecine, la conception, la synthèse et la caractérisation fonctionnelle de matériaux innovants sont les pierres angulaires des avancées dans ces domaines. La recherche et le développement de nouveaux matériaux ont montré une tendance à des percées dans de nombreux domaines. En termes de stockage d’énergie, les chercheurs travaillent au développement de matériaux de batteries plus efficaces et plus sûrs pour répondre aux besoins de stockage des énergies renouvelables. Dans le même temps, les progrès des technologies de l'information ont également incité les scientifiques des matériaux à

Avec les progrès continus de la technologie de l'intelligence artificielle (IA), son application dans la recherche sur les nouveaux matériaux a ouvert un nouveau paradigme de recherche et est devenue une nouvelle force productive qui surpasse le modèle traditionnel de R&D. L’aide de l’IA a considérablement amélioré l’efficacité et la précision de la recherche, en particulier dans la conception, la synthèse et la caractérisation des matériaux.

"Aller à Tsinghua à l'âge de 17 ans, travailler comme directeur de doctorat à l'âge de 27 ans, revenir à Tsinghua à l'âge de 30 ans, déesse de la recherche scientifique des années 90, sélectionnée pour le Global Scholars Lifetime 2023 Liste d'influence académique..." Ceci est le curriculum vitae légendaire du professeur Wang Xiaonan de l'Université Tsinghua.

L'équipe qu'elle dirige est engagée dans la recherche interdisciplinaire sur le développement et l'application de matériaux accélérés par l'IA, la conception de catalyseurs, les nouvelles énergies et les technologies à faible émission de carbone.

Ces dernières années, des recherches sur les technologies et systèmes de pointe en matière d'énergie nouvelle et à faible émission de carbone ont été menées autour de sujets interdisciplinaires tels que l'IA+énergie, l'industrie chimique et les nouveaux matériaux environnementaux, afin d'améliorer l'efficacité globale et l'économie d'énergie. et les systèmes de ressources du point de vue de l'intégration de systèmes multi-échelles, et pour aider à atteindre l'objectif bicarbone.

En termes de recherche et d'application des matériaux accélérés par l'IA, il existe une série d'articles et de logiciels d'algorithmes très cités dans des domaines tels que les nouveaux systèmes énergétiques et les modèles chimiques intelligents.

À l'ère de l'IA avec l'explosion des grands modèles, le « Chemical Materials GPT » est en cours. Wang Xiaonan a déclaré que la recherche fondamentale sur les modèles est une affaire à long terme : « Laissez les grands modèles être mis en œuvre et approfondissez les domaines. de la science et de l'ingénierie, et trouver des objets d'application appropriés." , des scénarios de mise en œuvre, l'ère de l'intégration de grands et petits modèles est arrivée. "

Le projet prompt intégrant les connaissances du domaine favorise l'application du LLM dans le domaine scientifique

L'équipe de Wang Xiaonan s'intéresse depuis longtemps aux applications verticales de l'IA générative, en particulier aux grands modèles de langage (LLM), dans les domaines scientifiques.

Actuellement, les grands modèles de langage ont prouvé leur grand potentiel dans le traitement et l'analyse d'ensembles de données à grande échelle dans plusieurs domaines généraux. Cependant, ces modèles nécessitent souvent des ajustements plus précis pour obtenir des résultats optimaux face à la complexité de domaines verticaux spécifiques.

L'ingénierie des invites fait référence à l'optimisation et au guidage de la sortie de grands modèles de langage via des invites ou des instructions soigneusement conçues, afin qu'ils puissent mieux s'adapter et gérer les problèmes dans des domaines spécifiques.

Récemment, l'équipe de Wang Xiaonan a développé une méthode d'ingénierie d'indices pour améliorer ses performances dans le domaine scientifique en intégrant les connaissances du domaine chimique dans de grands modèles de langage.

Illustration : Organigramme d'un algorithme d'ingénierie rapide intégrant des connaissances dans le domaine chimique.

L'étude a d'abord créé un ensemble de données de tests d'ingénierie de repères qui incluent les propriétés physicochimiques complexes des petites molécules, la disponibilité des médicaments et les propriétés fonctionnelles des enzymes et des matériaux cristallins pour mettre en évidence leur pertinence et leurs applications en biologie et en chimie. Dans le même temps, une méthode d'ingénierie d'invite intégrée à la connaissance du domaine est proposée en combinant plusieurs heuristiques d'ingénierie d'invite (heuristiques). Cette méthode est supérieure aux stratégies d'ingénierie d'invite traditionnelles dans plusieurs métriques.

De plus, l'équipe démontre l'efficacité de l'approche à travers des études de cas sur des matériaux complexes tels que les catalyseurs de MacMillan, le paclitaxel et l'oxyde de lithium et de cobalt, soulignant le rôle de grands modèles de langage équipés d'une ingénierie rapide spécifique à un domaine pour la découverte scientifique et l'innovation de des outils puissants.

La recherche pertinente est intitulée « Intégration des connaissances en chimie dans de grands modèles linguistiques via Prompt Engineering » et a été publiée sur la plateforme de préimpression arXiv le 22 avril 2024.

Lien papier : https://arxiv.org/pdf/2404.14467

Technologie de sonde robot atomique intelligente, peut fabriquer efficacement des matériaux quantiques avec une précision atomique

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, wodurch ein umfassendes Verständnis der Sonde bereitgestellt wird Theoretische Simulationen 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.

Bei der Entwicklung 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 , die nicht nur eine Richtungskontrollstrategie für den Zielreaktionspfad bereitstellte, sondern auch die weit verbreitete Anwendung von Nichtedelmetallkatalysatoren in der petrochemischen Industrie förderte.

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 für 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.

Relevante 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 vollständig 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 Fachzeitschrift „Environmental Science & Technology“ im Umweltbereich 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 nachhaltiger 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.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!