工程学院化学工程副教授 Hongliang Xin 和他的合作者设计了一种新的人工智能框架，可以加速重要技术材料的发现，例如燃料电池和碳捕获装置。

他们在《自然通讯》杂志上发表的题为“将理论融入深度学习以进行可解释的反应性预测”的论文详细介绍了一种称为 TinNet(理论注入神经网络的缩写)的新方法，该方法结合了机器学习算法和用于识别新催化剂的理论。催化剂是触发或加速化学反应的材料。

【资料图】

TinNet 基于深度学习，也称为机器学习的一个子领域，它使用算法来模拟人脑的工作方式。1996 年 IBM 的深蓝计算机战胜国际象棋世界冠军加里卡斯帕罗夫是机器学习的首批进步之一。最近，深度学习在自动驾驶汽车等技术的发展中发挥了重要作用。

Xin 和他的同事希望将机器学习用于催化领域，以开发新的更好的能源技术和产品，以改善日常生活。

“你今天看到的大约 90% 的产品实际上来自催化，”辛说。诀窍是为每个应用程序找到有效和强大的催化剂，而寻找新的催化剂可能很困难。

“了解催化剂如何与不同的中间体相互作用以及如何控制它们在金发区的键强度绝对是设计高效催化过程的关键，”辛说。“而我们的研究正是为此提供了一个工具。”

Xin 说，机器学习算法很有用，因为它们可以识别大数据集中的复杂模式，而这正是人类不太擅长的。但深度学习有局限性，尤其是在预测高度复杂的化学相互作用时——这是为所需功能寻找材料的必要部分。在这些应用中，有时深度学习会失败，而且可能不清楚原因。

“大多数为材料特性预测或分类开发的机器学习模型通常被认为是‘黑匣子’，只能提供有限的物理见解，”化学工程研究生和论文合著者 Hemanth Pillai 说。

“TinNet 方法扩展了其预测和解释能力，这两者在催化剂设计中都至关重要。” 王思文说，他也是一名化学工程研究生，也是该研究的合著者。

作为一种混合方法，TinNet 将先进的催化理论与人工智能相结合，帮助研究人员深入了解材料设计的这个“黑匣子”，以了解正在发生的事情及其原因，并且可以帮助研究人员在多个领域开辟新天地。

“希望我们可以让社区普遍使用这种方法，其他人可以使用该技术并真正进一步开发对社会至关重要的可再生能源和脱碳技术，”辛说。“我认为这确实是可以取得一些突破的关键技术。”

专门研究机器学习的化学工程教授卢克·阿切尼 (Luke Achenie)与 Xin 以及帮助撰写该论文的研究生 Shih-Han Wang 合作完成了该项目。现在该团队正致力于将 TinNet 应用于他们的催化工作。化学工程专业的本科生安迪·阿萨瓦莱 (Andy Athawale) 也加入了这项工作。

“我真的很喜欢在课堂之外看到化学工程的不同方面，”Athawale 说。“它有很多应用程序，你知道，它可能真的是革命性的。所以成为其中的一部分真是太棒了。”