利用人工智能和云端高性能计算加速计算材料发现：从大规模筛选到实验验证
材料科学
2024-10-22 v1 计算物理
摘要
高通量计算材料发现多年来一直承诺能显著加速新材料的设计与发现。尽管兴趣和活动激增，大规模计算资源所施加的限制仍构成重大瓶颈。此外，大规模计算发现通过实验验证的实例仍然稀少，尤其是对于具有产品应用前景的材料。在此，我们展示了这一愿景如何成为现实：首先，在云端高性能计算（HPC）资源上结合最先进的人工智能（AI）模型和传统物理模型，快速遍历超过3200万个候选材料，并预测出约50万种潜在稳定的材料。通过聚焦于电池应用的固态电解质，我们的发现流程进一步识别出18种具有新组成的候选材料，并作为副产品重新发现了该领域十年来的集体知识积累。通过在云端部署约一千台虚拟机（VMs），这一过程耗时不到80小时。随后，我们合成并通过实验表征了最优候选材料——NaLiYCl ()系列的结构和电导率，展示了这些化合物作为固态电解质的潜力。目前正在实验研究中的其他候选材料，可能为计算发现新型导锂和导钠固态电解质相提供更多实例。我们相信，这种协同整合AI模型和云端HPC的前所未有的方法，不仅加速了材料发现，也展示了AI引导实验在解锁具有现实世界应用价值的变革性科学突破方面的强大能力。
引用
@article{arxiv.2401.04070,
title = {Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing: from large-scale screening to experimental validation},
author = {Chi Chen and Dan Thien Nguyen and Shannon J. Lee and Nathan A. Baker and Ajay S. Karakoti and Linda Lauw and Craig Owen and Karl T. Mueller and Brian A. Bilodeau and Vijayakumar Murugesan and Matthias Troyer},
journal= {arXiv preprint arXiv:2401.04070},
year = {2024}
}