據外媒報道，由于可輸出高能量且充電速度快，電容器在為電動汽車和手機等未來機器提供動力方面將發揮重要作用，但是電容器成為儲能設備的一大阻礙是，其存儲的能量遠遠低于同等大小的電池。美國佐治亞理工學院（Georgia Institute of Technology）的研究人員找到一種新穎的辦法，以解決上述問題。研究人員們利用超級計算機和機器學習技術，最終成功打造了更強大的電容器。該項研究包括教會計算機分析生產電容器的兩種材料 – 鋁和聚乙烯的原子。

（圖片來源：加州大學圣地亞哥分校）

研究人員專注于尋找方法以更快地分析電容器材料的電子結構，找到能夠影響電容器性能的特性。佐治亞理工大學材料科學與工程學院（Georgia Tech’s School of Materials Science and Engineering）教授Rampi Ramprasad表示：“電子行業希望能夠了解用于生產電子設備（包括電容器）的所有材料的結構和特性。例如，聚乙烯是一種很好的絕緣體，具有很大的帶隙，能量范圍是電荷載體所達不到的，但是其具有一個缺點就是，多余的電荷載體可以進入帶隙，從而降低了效率。”

Ramprasad表示：“為了了解缺陷在哪里，以及發揮什么作用，我們需要計算材料的整個原子結構，目前為止還非常困難。目前使用量子力學分析此類材料太慢，限制了特定時間內所進行的分析量。”

Ramprasad跟同事一起使用了機器學習方法，研發出了新材料。他們采用了量子力學分析鋁和聚乙烯產生的數據樣本，教會了一臺強大的計算機如何模擬進行此類分析。用量子力學分析材料的電子結構涉及到求解密度泛函理論的科恩-沙姆方程式，該方程式會產生波函數和能量級數據，此類數據可用于計算該系統的總勢能和原子力。

研究人員使用了圣地亞哥超級計算機中心（San Diego Supercomputer Center）的Comet超計算機，圣地亞哥超級計算機中心是加州大學圣地亞哥分校一個有組織的研究單位，用于早期計算；還使用了德州大學奧斯汀分校德州高級計算中心的Stampede2超級計算機，用于本研究的后期階段。

與使用基于量子力學的傳統技術相比，使用新型機器學習法產生的類似結果多了幾個數量級。Ramprasad表示：“計算能力得以提高就可以讓我們設計出比現有材料更好的電子材料。”

雖然此次研究重點在鋁和聚乙烯，但是機器學習方法能夠用于分析更多種類材料的電子結構。Ramprasad表示，除了能夠分析電子結構外，現在量子力學分析的材料結構的其他方面也可以通過機器學習方法來加速。

機器學習法讓處理速度更快，就能夠讓研究人員更快地模擬材料的變化會如何影響其電子結構，從而找到提升其效率的新方法。Kamal表示：“超級計算機系統能夠實現高通量計算，從而能夠創建關于各種材料系統的海量知識數據庫，然后此類知識能夠幫助我們為特定應用尋找最佳材料。”

返回第一電動網首頁 >