為電池組件設計最佳分子構成，是一項復雜的工作。就像以數十億種潛在配料為基礎，創造新的蛋糕配方。設計人員需要面臨諸多挑戰，比如確定將哪些成分搭配在一起最合適。而且，即使擁有最先進的超級計算機，科學家們也無法精確地模擬每一種分子的化學特性，以證明其能成為下一代電池材料的基礎。

據外媒報道，美國能源部阿貢國家實驗室的研究人員，借助機器學習和人工智能的力量，大大加快電池研發過程。首先，研究人員通過G4MP2計算密集型模型，建立高度精確的數據庫，其中包含大約13.3萬個小有機分子，可能構成電池基本電解質。然而，這些只是科學家們想要研究的1660億個大分子中的一小部分。為了節省計算時間和力量，研究小組使用機器學習算法，將小數據組中的精確已知結構，與大數據組中較粗的建模結構聯系起來。阿貢數據科學與學習部門負責人IanFoster表示：我們相信，機器學習代表了一種方法。只需花費一小部分計算成本，就可獲得接近精確的分子圖像。

為了給機器學習模型打下基礎，Foster和同事在密度泛函理論基礎上，采用計算量較小的建模框架，通過該量子力學建模框架，計算大系統中的電子結構。密度泛函理論可以較好地詮釋分子性質，但不如G4MP2準確。

為了更好、更廣泛地了解有機分子信息，需要使用高精度G4MP2計算分子中原子的位置，并將其與僅用密度泛函理論分析的分子進行比較，以改進算法。研究人員以G4MP2為標準，訓練密度泛函理論模型，在其中加入修正因子，以降低計算成本，并提高精確度。

阿貢計算科學家LoganWard表示：機器學習算法為我們提供一種方法，研究大分子中原子和它們的鄰居之間的關系，了解它們如何結合并相互作用，尋找這些分子和我們所熟知的其他分子之間的相似之處。我們可以在此基礎上，預測大分子的能量，或高低精確度計算之間的差異。

阿貢化學家RajeevAssary表示：我們推出這一項目，希望盡可能得到電池電解質候選組分的最大圖像。要將一種分子用于能量存儲應用，我們需要了解其性質，比如穩定性。通過機器學習，我們可以更加準確地預測大分子的性質。