Sztuczna inteligencja przepisuje nowe receptury elektrolitów, zwiększając wydajność baterii

Czy baterie potrzebują lekarstw? W technologii akumulatorów lekarstwo to występuje w postaci dodatków do elektrolitów, które poprawiają wydajność poprzez tworzenie stabilnych interfejsów, obniżanie oporności i zwiększanie pojemności energetycznej, co skutkuje zwiększoną wydajnością i trwałością. Znalezienie odpowiedniego dodatku do elektrolitu do akumulatora jest podobne do przepisania odpowiedniego lekarstwa.

Z setkami możliwości do rozważenia, identyfikacja najlepszego dodatku dla każdego akumulatora jest wyzwaniem ze względu na ogromną liczbę możliwości i czasochłonny charakter tradycyjnych metod eksperymentalnych. Tradycyjne metody testowania nowych elektrolitów są kosztowne i czasochłonne, co spowalnia proces ulepszania baterii.

AI w służbie baterii

Grupa badaczy z Argonne National Laboratory postanowiła wykorzystać moc obliczeniową algorytmów, by ten proces przyspieszyć. Zastosowali oni modele uczenia maszynowego do analizy znanych dodatków do elektrolitów i przewidywania kombinacji, które mogłyby poprawić parametry baterii. Modele te, wytrenowane na danych o oporności i pojemności energetycznej, potrafią wskazywać obiecujące mieszanki, które następnie poddawane są testom.

Łącząc uczenie maszynowe z eksperymentalnymi testami, badacze szybko zidentyfikowali skuteczne dodatki do elektrolitów, przyspieszając proces odkrywania w porównaniu z tradycyjnymi metodami, które są kosztowne i czasochłonne. Nowe kombinacje dodatków okazały się lepsze od dotychczas stosowanych, co dowodzi, jak skuteczne mogą być techniki oparte na danych w rozwoju technologii akumulatorowych i otwieraniu drogi do wysokowydajnych i energooszczędnych baterii.

Baterie LNMO – wyzwanie dla elektrolitów

Baterie LiNi0.5Mn1.5O4 – złożone z litu, niklu, manganu i tlenu, znane jako LNMO – działają przy wysokim napięciu i oferują znaczne korzyści w porównaniu z tradycyjnymi bateriami. Mają wyższą pojemność energetyczną i eliminują potrzebę stosowania kobaltu, materiału krytycznego związanego z problemami z łańcuchem dostaw.

Wyższe napięcie akumulatorów LNMO niesie ze sobą jednak wyzwania. Podczas gdy baterie w telefonach komórkowych i poszczególne ogniwa pojazdów elektrycznych zwykle działają przy niskim napięciu, około 4 V, akumulator LNMO działający przy 5 V znacznie przekracza granicę stabilności każdego znanego elektrolitu. Jak tłumaczy Chen Liao, chemik z Argonne National Laboratory, wysokie napięcie oznacza wprawdzie wysoką gęstość energii, ale także liczne problemy związane z rozkładem elektrolitu i katody. Materiały muszą być wyjątkowo stabilne.

Dodanie odpowiedniego elektrolitu może pomóc ograniczyć rozkład i poprawić wydajność baterii LNMO. Badacze odkryli, że idealny dodatek rozkłada się podczas pierwszych kilku cykli ładowania, tworząc stabilny interfejs na obu elektrodach. Ta warstwa pomaga obniżyć oporność, co oznacza mniejsze straty energii i degradację, zwiększając moc wyjściową akumulatora. Zastosowanie dodatku jest również podejściem ekonomicznym, ponieważ procesy produkcyjne akumulatorów są dojrzałe i mało prawdopodobne jest, aby uległy zmianie, a proste dodanie dodatku do formulacji elektrolitu jest prostą zmianą do przyjęcia.

Od danych do przewidywań

Aby sprawnie i niedrogo zbadać rozległą dziedzinę możliwości chemicznych, naukowcy wykorzystują techniki uczenia maszynowego do odkrywania i optymalizacji materiałów. Techniki te pozwalają przewidywać właściwości materiałów, projektować struktury materiałów o pożądanych funkcjonalnościach i identyfikować kandydatów na materiały poprzez analizę zbiorów danych.

Liao połączył siły z Hieu Doanem, naukowcem zajmującym się obliczeniami w Argonne, aby opracować model uczenia maszynowego do zbadania możliwych dodatków do elektrolitów i określenia ich wpływu na wydajność akumulatora LMNO. Do stworzenia modelu potrzebny był zróżnicowany zbiór danych – 28 dodatków o różnych funkcjonalnościach. Po wytrenowaniu model był w stanie przewidzieć wydajność 125 nowych kombinacji dodatków, identyfikując obiecujące rozwiązania.

Metoda ta nie tylko zaoszczędziła czas i zasoby, ale także pokazała, w jaki sposób uczenie maszynowe może przyspieszyć odkrywanie nowych materiałów o pożądanych właściwościach dla lepszych akumulatorów. Unikając 125 tradycyjnych eksperymentów, które zajęłyby około czterech do sześciu miesięcy i wymagałyby znacznych kosztów sprzętu, badacze pokazali, w jaki sposób uczenie maszynowe może usprawnić odkrywanie przy użyciu małego eksperymentalnego zbioru danych.

Znalezienie właściwej „recepty” za pomocą uczenia maszynowego może zapewnić optymalne działanie akumulatorów, otwierając drogę do wydajniejszych i trwalszych rozwiązań energetycznych.