通过积极学习，科学家们可以更快地找到适合氧化还原液流电池的候选人。

当需要设计一种新的电池化学成分时，科学家只能通过实验尝试几种可能性，因为合成和研究每个新分子都需要时间和资源。通过使用超级计算机执行可靠的分子模拟，研究人员可以加快所需的材料筛选过程并扩大搜索范围，同时获得有关不同化学内在可能性的详细信息。

但是，即使在这些超级计算机上运行的高通量模拟也只能查看某些类型电池存在的可行化学成分的一小部分。在美国能源部(DOE)的阿贡国家实验室(Argonne National Laboratory)的一项新研究中，研究人员正在采取下一步行动，通过利用人工智能加快寻找最佳电池组件的可能性。

由Argonne化学家Rajeev Surendran Assary领导的研究小组研究了氧化还原液流电池的内部工作原理，其中化学能存储在溶解的分子中与电极相互作用。液流电池有望用于电网。它们用注入了存储和释放能量的分子的液体溶液代替了固体阴极和阳极。常规液流电池基于每个分子具有一个电荷存储元件的分子，而通用性有限。由阿贡(Argonne)领导的DOE能源创新中心联合储能研究中心(JCESR)的研究人员介绍了利用称为“氧化还原活性聚合物”或氧化还原聚合物的材料来存储和释放能量的概念，每种材料均基于较大的分子带有数十个电荷存储元件。

与传统系统相比，氧化还原剂具有更大的灵活性，可以独立地自定义电池特性和性能的许多方面。氧化还原液流电池为液流电池设计打开了新的大门，因为它们可以低成本提供高功能，而对环境的危害很小。JCESR的氧化还原液流电池具有改变我们如何思考并在电网中使用液流电池的潜力。

在研究氧化还原剂的情况下，Assary和他的同事注意到，随着电池的充电和放电，它们倾向于形成无活性的薄膜。为了防止这种现象，Argonne团队希望设计一种氧化还原剂，该氧化还原剂可以在特定电压下电裂解，从而释放出来重新进入电解质溶液。

该研究的另一位作者Argonne博士后研究员Hieu Doan说：“您可以把它想象成清洗锅子。” “为了更轻松地去除粘性食物残渣，您可以使用高温，这就是我们正在用电的方式。”

研究人员希望劈裂电压刚好在电池的正常工作范围之外，这样就不会影响性能，也不需要大量额外的能量。

为了找到可以在适当电压下分裂的氧化还原剂，Assary和研究小组转向了实验室计算资源中心的Argonne的Bebop超级计算机。首先，研究人员使用密度泛函理论(DFT)计算运行了1400种不同的氧化还原聚合物，该算法非常准确，但计算量很大。但是，这1400种氧化还原剂仅占研究人员感兴趣的全部化学空间的一小部分。

“从实验上来说，合成和测试这些氧化还原剂可能要花费数月的时间，因此能够在计算机上详细研究一千多个氧化还原剂是必不可少的，” Assary说。

这些氧化还原聚合物均由分子支架组成，在分子支架上放置了各种不同的化学官能团，这些化学官能团是额外的原子或分子。杜安说：“该支架是根据我们实验合作者的建议设计的。” 尽管支架在整个氧化还原聚合物中是一致的，但改变官能团可提供不同的性质。

为了在不进行大量DFT计算的情况下，从包含100,000多种氧化还原聚合物的更大数据集中找到理想分子，研究人员使用了一种称为主动学习的机器学习技术。这个更大的数据集包含的氧化还原聚合物在结构上与原始DFT数据集中的1400个分子相似，因为两组分子都使用相同的支架。但是，由于填充官能团的方式不同，因此属性也有所不同。

“您可以在机器学习中进行多少学习，这取决于您的训练数据集，” Assary说。“你只能知道自己所看到的东西，如果你有其他尝试做出预测的东西，那可能是无效的。”

Assary和他的同事们并未对全部数据进行培训，而是仅对几种不同的氧化还原仪可能性进行了培训。根据Doan的说法，在使用10个数据点训练模型后，模型会从其余数据池中自行选择第11个数据点。

“模型保证通过将新数据点添加到训练集中，它将变得更好，然后我们可以再次训练它，” Doan说。“无论哪种方法都能使模型的准确性最大化，这将是下一个要选择的数据点。”

阿萨里说，要从最初的1,400个数据集中识别出30个具有所需特性的分子，只需花70个选择。使用随机选择，只有9%的选择会成功，代表五倍的改进。

阿萨里说：“在如此大的化学空间上进行如此重大的改进是令人瞩目的。” 确实，当将相同的方法应用于100,000+数据集时，它成功地在100个镐中找到了42个所需分子。

在5月28日出版的《材料化学》上发表了一篇基于该研究的论文，名为“量子化学知识的主动学习，可加快可持续性储能材料的设计和发现” 。