_ Cercetătorii folosesc AI pentru accelerați căutarea pentru baterii mai sigure și mai bune

Pe măsură ce tranziția curată determină adoptarea vehiculelor electrice și stocarea energiei pentru o rețea de energie electrică cu dependență din ce în ce mai mare de surse de energie regenerabilă variabilă, cum ar fi vântul și solarul, pericolul cauzat de baterie crește și incendiile. Pentru a limita acest risc, în același timp îmbunătățind performanța bateriei, următoarea generație de baterii este probabil să depindă de noi electroliți în stare solidă, dar cercetarea a fost împiedicată de volumul mare de opțiuni de materiale și de parametrii implicați.

Mașină. învăţarea vine însă în ajutor. Un grup de oameni de știință din materiale au dezvoltat o bază de date nouă, dinamică, cu sute de electroliți în stare solidă, cărora le-au aplicat tehnici de inteligență artificială care orientează deja cercetarea în direcții mai bune.

A fost publicată o lucrare care descrie abordarea lor. în jurnalul Nano Materials Science din 10 septembrie 2023.

Solvenții organici sunt utilizați în mod obișnuit ca electroliți - acele substanțe, de obicei lichide sau geluri, care facilitează mișcarea particulelor încărcate sau ionilor, între pozitiv și electrozi negativi — în multe baterii reîncărcabile.

Acest tip de solvent oferă o conductivitate bună și permite transportul eficient al ionilor între electrozi, dar o serie de preocupări privind siguranța și performanța înseamnă că cercetătorii în baterii au lucrat de mult timp. căutarea de materiale electrolitice alternative.

În special, solvenții organici pot fi inflamabili și pot duce la reacții termice de evadare, provocând incendii sau explozii. În plus, solvenții organici pot fi predispuși la descompunere chimică, ceea ce poate duce în timp la formarea de gaz și defalcarea electrolitului, reducând performanța și durata de viață a bateriei. În plus, acestea suferă uneori de o gamă limitată de tensiuni în care bateria poate funcționa.

O cale alternativă are bateriile cu stare solidă (ASSB), în care solventul organic lichid sau gel tradițional este înlocuit cu un electrolit solid — eliminând problema scurgerii și, prin urmare, a exploziei. Acești electroliți în stare solidă nu numai că îmbunătățesc siguranța, ci oferă, de asemenea, o densitate de energie mai mare și, potențial, timpi de încărcare mai rapidi.

Cu toate acestea, călătoria către găsirea electroliților în stare solidă, sau SSE, cu nivel ionic ridicat. conductivitatea - capacitatea ionilor de a se mișca prin baterie și de a produce un curent - a fost plină de provocări, în primul rând datorită structurilor lor complexe și a relației dintre aceste structuri și performanță. Până în prezent, au fost identificate doar SSE cu migrare lentă a ionilor. Fără SSE-uri de înaltă performanță, dezvoltarea ASSB-urilor a fost grav îngreunată.

„Pentru a înrăutăți lucrurile este numărul mare de SSE-uri din care să aleagă”, a spus Hao Li, un om de știință în materiale la Institutul Avansat pentru Materiale. Cercetări la Universitatea Tohoku și autorul corespondent al lucrării. „Există sute de posibilități și este o adevărată provocare pentru cercetători să abordeze un astfel de volum de opțiuni în timp ce țin evidența numeroșilor parametri diferiți ai performanței optime.”

Așa că echipa a dezvoltat o bază de date dinamică experimentală, baza de date dinamică a electroliților în stare solidă (DDSE), care conținea inițial peste 600 de materiale electrolitice potențiale în stare solidă, acoperind o gamă largă de temperaturi de funcționare și cuprinzând diferiți cationi și anioni (ioni pozitivi și negativi), pentru a explora relațiile dintre variabile diferite.

O bază de date dinamică este un tip de bază de date care este concepută pentru a fi ușor actualizată și modificată frecvent, permițând modificări și completări în timp real la datele pe care le conține. Acest tip de bază de date este adesea folosit în situațiile în care informațiile sunt în continuă evoluție. În acest caz, DDSE este actualizat continuu cu noi date experimentale. Baza de date este actualizată săptămânal și, din ianuarie 2024, conținea peste 1000 de materiale.

Cercetătorii au aplicat apoi învățarea automată la DDSE pentru a depăși limitările atât ale analizei umane, cât și ale cheltuielilor de calcul extraordinare ale calculelor teoretice. În absența învățării automate, cercetătorii s-au străduit să analizeze computațional sistemul atomic mare al SSE, precum și complexitatea reacțiilor chimice implicate.

Prin valorificarea învățării automate, cercetătorii pot face predicții mai bune despre noul solid. -efectuați materialele electrolitice la cheltuieli de calcul (și financiare) mult mai mici, cu o pierdere minimă de timp în comparație cu încercările anterioare de încercare și eroare de proiectare a SSE.

Procedând astfel, au început să dezvăluie relații complexe între mai multe variabile diferite, inclusiv transportul ionic, compoziția, energia de activare (cantitatea de energie necesară pentru a declanșa o reacție chimică) și conductivitate, permițând dezvoltarea unui nou set de linii directoare pentru proiectarea SSE-urilor. Cercetătorii au identificat deja tendințele de dezvoltare și performanță ale SSE-urilor în diferite clase de materiale, precum și blocajele de performanță pentru fiecare clasă de SSE.

De asemenea, DDSE a fost proiectat cu o interfață ușor de utilizat pentru a permite alte oameni de știință din baterii și materiale dincolo de echipa originală să le actualizeze și să le folosească ei înșiși.

(Fluierul)