Istraživači koriste veštačku inteligenciju da ubrzaju poteru za sigurnijim, boljim baterijama

Istraživači koriste veštačku inteligenciju da ubrzaju poteru za sigurnijim, boljim baterijama

Kako čista tranzicija pokreće korišćenje električnih vozila i skladištenja energije za električnu mrežu sa sve većom zavisnošću od varijabilnih obnovljivih izvora energije kao što su vetar i sunce, raste i opasnost od požara baterija. Da bi se ograničio ovaj rizik uz poboljšanje performansi baterija, sledeća generacija baterija će verovatno zavisiti od novih elektrolita u čvrstom stanju, ali istraživanje je otežano samim obimom opcija materijala i uključenim parametrima.

Mašinsko učenje, međutim, dolazi u pomoć. Grupa naučnika za materijale razvila je novu, dinamičku bazu podataka stotina elektrolita u čvrstom stanju na koje su primenili tehnike veštačke inteligencije koje već usmeravaju istraživanje u boljim pravcima.

Rad koji opisuje njihov pristup objavljen je u časopisu Nano Materials Science 10. septembra 2023.

Organski rastvarači se obično koriste kao elektroliti — te supstance, obično tečnosti ili gelovi, koje olakšavaju kretanje naelektrisanih čestica, ili jona, između pozitivnih i negativnih elektroda — u mnogim punjivim baterijama.

Ovaj tip rastvarača obezbeđuje dobru provodljivost i omogućava efikasan transport jona između elektroda, ali niz zabrinutosti za bezbednost i performanse znači da su istraživači baterija već dugo u potrazi za alternativnim elektrolitskim materijalima.

Konkretno, organski rastvarači mogu biti zapaljivi i mogu dovesti do termičkih reakcija, izazivajući požare ili eksplozije. Pored toga, organski rastvarači mogu biti skloni hemijskom raspadanju, što može dovesti do stvaranja gasa i razgradnje elektrolita tokom vremena, smanjujući performanse i životni vek baterije. Pored toga, ponekad pate od ograničenog opsega napona u kojima baterija može da radi.

Jedan alternativni put ima potpuno čvrste baterije (ASSB), u kojima je tradicionalni tečni ili gel organski rastvarač zamenjen čvrstim elektrolitom – eliminišući problem curenja, a time i eksplozije. Ne samo da ovi elektroliti u čvrstom stanju poboljšavaju bezbednost, oni takođe pružaju veću gustinu energije i – potencijalno – brže vreme punjenja.

Međutim, put ka pronalaženju elektrolita u čvrstom stanju, ili SSE, sa visokom jonskom provodljivošću – sposobnošću jona da se kreću kroz bateriju i proizvode struju – bio je prožet izazovima, prvenstveno zbog njihove složene strukture i odnosa između tih struktura. i performanse. Do sada su identifikovani samo SSE sa sporom migracijom jona. Bez SSE visokih performansi, razvoj ASSB-a je ozbiljno otežan.

„Stavu pogoršava veliki broj SSE-ova koje možete izabrati“, rekao je Hao Li, naučnik o materijalima sa Naprednog instituta za istraživanje materijala na Univerzitetu Tohoku i odgovarajući autor rada. „Postoje stotine mogućnosti i pravi je izazov za istraživače da se pozabave takvim obimom opcija dok prate mnoge različite parametre optimalnih performansi.“

Tako je tim razvio eksperimentalnu dinamičku bazu podataka, Dinamic Database of Solid-State Electrolite (DDSE), koja je u početku sadržavala preko 600 potencijalnih materijala čvrstog elektrolita, obuhvatajući širok raspon radnih temperatura i obuhvatajući različite katjone i anjone (pozitivne i negativne joni), da istraži odnose između različitih varijabli.

Dinamička baza podataka je vrsta baze podataka koja je dizajnirana da se lako ažurira i često menja, omogućavajući izmene i dopune podataka koje sadrži u realnom vremenu. Ova vrsta baze podataka se često koristi u situacijama kada se informacije stalno razvijaju. U ovom slučaju, DDSE se kontinuirano ažurira novim eksperimentalnim podacima. Baza podataka se ažurira nedeljno i od januara 2024. godine sadrži preko 1000 materijala.

Istraživači su zatim primenili mašinsko učenje na DDSE kako bi prevazišli ograničenja i ljudske analize i izuzetne računske troškove teorijskih proračuna. U nedostatku mašinskog učenja, istraživači su se borili da kompjuterski razmotre veliki atomski sistem SSE-a, kao i složenost uključenih hemijskih reakcija.

Korišćenjem mašinskog učenja, istraživači mogu da naprave bolja predviđanja o novim materijalima elektrolita u čvrstom stanju uz mnogo niže računske (i finansijske) troškove, uz minimalno gubljenje vremena u poređenju sa prethodnim pokušajima pokušaja i grešaka u dizajnu SSE.

Čineći to, oni su počeli da otkrivaju zamršene odnose između više različitih varijabli, uključujući transport jona, sastav, energiju aktivacije (količinu energije koja je potrebna za pokretanje hemijske reakcije) i provodljivost, omogućavajući razvoj novog skupa smernica za projektovanje SSE. Istraživači su već identifikovali trendove razvoja i performansi SSE u različitim klasama materijala, kao i uska grla u performansama za svaku klasu SSE.

DDSE je takođe dizajniran sa korisničkim interfejsom koji omogućava drugim naučnicima za baterije i materijale osim originalnog tima da ga sami ažuriraju i koriste.