ARGOMENTO:

Cosa rappresenta l'oggetto blu formato da foglie di pianta?

Quella è la nostra interpretazione di una cella fotovoltaica modellata in base ad una pianta. Simboleggia lo scopo del nostro progetto nel senso in cui lavoriamo per scoprire materiali che siano in grado di trasformare l'energia solare in una forma utilizzabile, proprio come fanno quotidianamente le piante.

Chi sono le persone ritratte nella foto (clicca QUI ) presente sul sito di World Community Grid e nelle finestre di BOINC Manager?

Quelle persone sono i membri del gruppo di riccerca Clean Energy Project dell'Università di Harvard.

In prima fila, da sinistra a destra: Leslie Vogt, Anna Brockway, Dr. Sule Atahan.

In seconda fila, da sinistra a destra: Roberto Olivares-Amaya, Dr. Johannes Hachmann, Dr. James Cuff, Prof. Alán Aspuru-Guzik, Dr. Jerry Lotto, Prof. Carlos Amador-Bedolla.

Il passo successivo della selezione: predirre le proprietà dei materiali

14 ottobre 2015

Riepilogo:
Un nuovo documento dal gruppo Clean Energy Project rivela che ora possono utilizzare reti neurali artificiali a più livelli per predirre le proprietà elettriche delle nuove molecole senza simulare l'intera molecola. Questo progresso è stato reso possibile dall'enorme numero di simulazioni realizzate per Clean Energy Project e promette di rendere possibile la selezione di molte più molecole di quante il gruppo fosse in grado di realizzare in passato.

Titolo della pubblicazione:
"Imparare dal gruppo Clean Energy Project di Harvard: l'utilizzo di reti neurali per accelerare la scoperta di materiali"

Pubblicato sulla rivista:
Advanced Functional Materials

Autori:
Edward O. Pyzer-Knapp, Kewei Li and Alan Aspuru-Guzik

Riassunto generico:
In questo documento Edward, membro del gruppo Clean Energy Project di Harvard, mostra come tecniche provenienti dal campo dell'apprendimento automatico possano essere utilizzate per accelerare la selezione dei materiali. Utilizzando un'apposita classe di reti neurali, nota come percettroni multilivello, è possibile predirre le proprietà di una molecola con un elevato livello di accuratezza prima che sia svolto qualunque calcolo. Si mostra come utilizzando tale metodo si possa eliminare quasi il 99% dei candidati senza dover compiere alcun calcolo. Eliminando le molecole che probabilmente non saranno utili si aumenta fortemente il numero di molecole che si può prendere in considerazione.

Riassunto tecnico:
In questa pubblicazione si propone l'utilizzo di percettroni multilivello, un tipo di rete neurale artificiale, come parte di un processo di filtraggio computazionale per la progettazione su larga scala di materiali organici. Attraverso l'utilizzo di avanzatissimi algoritmi e grandi quantità di dati ottenuti dal Clean Energy Project di Harvard si dimostra che tale metodo permette una significativa riduzione nel numero di candidati per cui effettuare i calcoli. Le reti neurali possono riprodurre i risultati dei calcoli di chimica quantistica con un elevato livello di precisione. L'approccio proposto permette di completare progetti di selezione di molecole su vasta scala utilizzando un minor tempo di calcolo. Ciò permette selezioni sempre più varie e vaste.

Accesso al documento:
Per leggere il documento clicca QUI .

La parola al gruppo Clean Energy Project: cos'è una selezione virtuale ad alta capacità?

15 ottobre 2015

Riepilogo:
Il gruppo Clean Energy Project ha appena pubblciato alcune considerazioni riguardo il concetto, i risvolti pratico e le potenzialità di una selezione virtuale ad alta capacità. Dal momento che computer e programmi evolvono rapidamente i ricercatori interessati in una selezione ad alta capacità potrebbero considerare queste linee guida piuttosto che cercare di soddisfare parametri specifici.

Titolo della pubblicazione:
"Cos'è una selezione virtuale ad alta capacità? Un'opinione dalla scoperta di materiali organici"

Pubblicato sulla rivista:
Annual Reviews - Materials Research

Autori:
Edward O. Pyzer-Knapp, Changwon Suh, Rafael Gómez-Bombarelli, Jorge Aguilera-Iparraguirre e Alán Aspuru-Guzik

Riassunto generico:
Alan ed altri del gruppo Aspuru-Guzik di Harvard spiegano come hanno cercato di accelerare una vasta ricerca di composti chimici con proprietà specifiche utilizzando esperimenti virtuali realizzati al computer piuttosto che veri esperimenti in laboratorio. Loro la chiamano selezione virtuale ad alta capacità (HTVS in inglese), come quella utilizzato nel Clean Energy Project. Descrivono un ragionamento di base cui attenersi per affrontare un progetto simile, piuttosto che rigide regole che cambiano con l'evolversi dei metodi computazionali. Discutono inoltre le varie fasi del processo e come loro ed altri collegi lo stiano impiegando per affrontare differenti problemi.

Riassunto tecnico:
Si espone un metodo per definire cosa caratterizza un selezione virtuale ad alta capacità e si esplorano le scelte che influenzano le decisioni ad ogni fase del processo di filtraggio computazionale, inclusa un'approfondita discussione sulla creazione di archivi di molecole. Inoltre si forniscono suggerimenti sulla conservazione, analisi e visualizzazione dei dati sulla base della grande esperienza accumulata dal nostro gruppo di ricerca.

Accesso al documento:
Per leggere il documento clicca QUI .