Syväoppimismalli elektrolyyttien suorituskyvystä

Korean yliopiston kemian laitoksen professori Park Sung-nam on yhteistyössä Wasedan yliopiston professori Kenichi Oyaizun ryhmän kanssa kehittänyt maailman ensimmäisen syväoppimismallin polymeerielektrolyyttien ionijohtavuuden ennustamiseksi hierarkkisten polymeerigraafien (HPG) avulla.

Hierarkkinen polymeerigraafi (HPG) on äskettäin käyttöön otettu monimuotoisten polymeerirakenteiden esitystapa.

Polymeerielektrolyytit ovat ydinmateriaali akuissa, kuten sähköajoneuvoissa ja kannettavassa elektroniikassa käytettävissä akuissa, jotka tarjoavat turvallisuutta ja keveyttä. Ionijohtavuus määrää niiden suorituskyvyn.

Johtavuus vaihtelee kuitenkin merkittävästi polymeerielektrolyyttien koostumuksesta ja olosuhteista, kuten lämpötilasta, riippuen, mikä vaikeuttaa ionien liikkuvuuden ja muutosten tarkkaa mittaamista. Perinteisiä kokeita rajoittavat korkeat kustannukset ja useiden muuttujien heijastamiseen tarvittava aika.

Näiden haasteiden ratkaisemiseksi tiimi kehitti HPG-malleja, jotka kuvaavat sekä polymeerien perusyksiköitä että kokonaisrakennetta. Tämä viitekehys mahdollisti aiemmin vaikeasti mallinnettavien monimuotoisten ja monimutkaisten polymeerirakenteiden esittämisen, mikä mahdollisti ionijohtavuuden analysoinnin vaihtelevissa koeolosuhteissa.

Tutkijat sovelsivat lisäksi graafin tarkkaavaisuusverkkoa (GAT), joka korostaa tärkeitä ominaisuuksia oppimisen aikana, rakentaakseen syväoppimismallin, joka kykenee erittäin tarkkoihin ennusteisiin.

Malli koulutettiin yli 10 000 datapisteellä, mikä tuotti korkean ennustustarkkuuden. Se osoitti vahvaa yhteensopivuutta kokeellisten tulosten kanssa, jopa polymeerielektrolyyteillä, joiden johtavuus muuttuu lämpötilan mukaan, mikä osoittaa sen yleistettävyyden sekä yksinkertaisten että monimutkaisten polymeerirakenteiden välillä.

Professori Park sanoi: ”Tässä tutkimuksessa kehitettiin syväoppimiseen perustuva ennustusmalli, joka voi korvata perinteiset laskennalliset menetelmät, jotka vaativat massiivista laskentaa. Se mahdollistaa polymeerirakenteiden ja -ominaisuuksien tehokkaan analysoinnin, mikä voi lyhentää akkujen kehityssyklejä, vähentää kustannuksia ja edistää teollisia sovelluksia.”

Aiheesta aiemmin:

Kierre parantaa kiinteää elektrolyyttiä

Polymeeriperustaista akkutekniikkaa

Tekoäly optimoi tehomuuntimia