图源：CC0公共域
将风能和太阳能等新的可再生能源并入电网需要专门设计的性能稳定的大型电池，这些电池可以在白天阳光明媚时充电并在夜间提供能量。
液流电池有望满足这种需求，它包含两个电活性化学物质罐，可以互相交换电荷并容纳大量能量。对于液流电池的研究人员来说，他们最关心的是如何找到既能大量储能又能长时间保持稳定的目标分子。
为此，美国能源部 (DOE) 阿贡国家实验室的研究人员借助人工智能 (AI) 的力量，在超过一百万个分子的广阔化学空间中进行搜索，发现正确的分子需要同时优化几个不同的特征，这样才能更好地为液流电池寻找最佳的化学成分。
研究人员模拟了阳极电解液氧化还原聚合物或液流电池中的电活性分子。针对每个氧化还原聚体，确定了想要优化的三个特性。前两个是还原电位和溶剂化自由能，与分子可以储存多少能量有关。第三个是荧光，作为一种自我标记，指示电池的整体健康状况。
由于计算所有目标属性非常耗时，研究人员转向了一种自主的机器学习和人工智能技术，可以通过模型训练提高识别目标的能力。“我们基本上是大海捞针，”研究人员 Hieu Doan 说， “当我们的模型找到看起来像针的东西时，它会自学如何找到更多这样的东西。”
研究人员通过量子力学模拟了解了1400个氧化还原单体候选物的特性，并利用它们的数据集对算法进行训练直至其能正确识别出具有最佳特性的分子。
“我们之前的研究展示了如何一次优化一个属性，但同时优化多个属性是一项不小的挑战，对现实世界来讲可能更有价值，”研究人员Rajeev Assary说， “自然界从来都不是完美的，没有一种分子在各个方面都是理想的。我们的模型就是帮助我们处理不同的参数以找到最合适的分子。”
在实践过包含1400个候选物的数据集之后，研究人员将他们的搜索范围扩展到一个包含 100 万个候选物的化学空间。模型的迭代使得识别出分子具有越来越好的性能。 “令我们感到鼓舞的是，仅观察 100 个分子，我们的模型已经能够定期发现比原始数据集中更具吸引力特性的分子。”Doan 说。
据 Assary 称，优化算法不仅可以用于液流电池，同样可以用于其他类型的电池甚至其他领域。研究过程中使用的数学方法已经被股票交易员和数据科学家广泛使用。
