机器学习和优化技术发展的最新进展为识别不同应用的合适分子设计、化合物和化学候选物开辟了新的和令人兴奋的可能性。优化技术(其中一些基于机器学习算法)是强大的工具，可用于在一组典型的大量可能性中为给定问题选择最佳解决方案。

科罗拉多州立大学和国家可再生能源实验室的研究人员一直在将最先进的分子优化模型应用于不同的现实世界问题，这些问题需要识别新的和有前途的分子设计。在他们最近发表于NatureMachineIntelligence的研究中，他们专门应用了一个新开发的开源优化框架来确定水性氧化还原液流电池(将化学能转化为电能的能源设备)的可行有机自由基的任务。

“我们的项目由ARPA-E项目资助，该项目旨在缩短使用机器学习技术开发新能源材料所需的时间，”进行这项研究的研究人员之一彼得C.圣约翰告诉TechXplore.“为氧化还原液流电池寻找新的候选者是我们之前一些工作的有趣扩展，包括发表在NatureCommunications和ScientificData上的一篇论文，两者都在关注有机自由基。”

St.John和他的同事创建的新框架的灵感来自他们之前在分子优化方面的工作。该框架主要由DeepMind开发的人工智能(AI)工具AlphaZero以及快速机器学习衍生模型组成，该模型由两个经过近100,000个量子化学模拟训练的图神经网络组成。

第一个图形神经网络被训练来预测氧化和还原电位，这两个重要参数用于确定水性氧化还原液流电池中可以存储多少能量。第二个预测电子密度和局部3D环境，这两者都被发现与这些电池的寿命有关。

“我们将分子优化视为树搜索，我们通过将组件迭代地添加到不断增长的结构上来构建分子，”St.John解释说。“这种方法的优点是我们可以修剪搜索空间的大分支，其中分子开始显示不切实际的子结构。因此，我们可以将搜索空间限制为仅满足预定的一组简单标准的分子。”

研究人员使用他们的分子优化框架进行了一系列测试，旨在为水性氧化还原液流电池识别可能的有机自由基，这些自由基可能特别稳定和有前途。该框架成功地确定了几个满足St.John及其同事定义的特定标准组合的分子候选者。

“我们证明了有机氧化还原液流电池中特定类型电荷载体的可能候选者可能比以前考虑的要大，”圣约翰说。“我们还表明，可以发现不需要使用过渡金属的分子可以制造出更简单、高性能的电池。”

到目前为止，该研究团队开发的优化框架已被证明是解决与工程和化学相关的复杂现实世界问题的非常有前途的工具。因此，在未来，它可用于为许多不同的技术(包括水性氧化还原液流电池)识别新的理想化合物和分子候选物。

“我们现在想探索在带电状态之间添加额外的标准，如溶解度和氧化还原对，”St.John补充道。“这将需要额外的训练数据，但它可能会导致更有希望的候选结构。”