人工智能推动能源技术发展

弗吉尼亚理工大学设计了一种新的人工智能框架，可以促进原料发现对于重要技术至关重要，如燃料电池和碳捕获设备。相关研究发表在权威期刊《自然通讯》杂志上。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。

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。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。

研究人员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，而寻找新的催化剂可能很困难。

该研究正是为此提供了一个工具。

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’。获取更多前沿科技 研究进展 访问：https://byteclicks.com

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。

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许多领域开辟新天地。 

研究人员希望该技术可以让人们普遍使用这种方法，他们可以使用该技术进一步开发突破对社会至关重要的可再生能源和脱碳技术。