O szczegółowych wnioskach w tej sprawie możemy przeczytać na łamach Scientific Data. Za ustaleniami stoją przedstawiciele instytutu DIFFER, a w prowadzonych badaniach pomogła im sztuczna inteligencja oraz zaawansowane superkomputery.
Czytaj też: Baterie już nigdy nie ulegną zamoczeniu. Tak może wyglądać przyszłość wielu urządzeń elektronicznych
Łącznie pod uwagę wzięto 31 618 różnych cząsteczek, a członkowie zespołu skupili się na parametrach takich jak potencjał redoks czy rozpuszczalność w wodzie. Ten drugi jest dość oczywisty, natomiast pierwszy odnosi się do oceny właściwości utleniających (utleniacz) bądź redukujących (reduktor). Tego typu cechy są istotne choćby ze względu na fakt, iż odnoszą się do zdolności do wytwarzania energii czy jej gęstości.
Pierwszy etap badań polegał na użyciu komputera i algorytmów do stworzenia tysięcy wirtualnych wariantów dwóch rodzajów cząsteczek. Do systemu wprowadzono więc struktury szkieletowe 24 chinonów i 28 cząsteczek aza-aromatycznych, a także pięć różnych grup bocznych istotnych z chemicznego punktu widzenia. Po wymieszaniu i wygenerowaniu wielu wariantów komputer wygenerował 31 618 cząsteczek.
Celem badań są wydajne baterie przepływowe redoks
Na tym oczywiście badania się nie skończyły, ponieważ kolejny etap odnosił się do oszacowania właściwości każdej cząsteczki. Parametrów było niemal 300, dlatego możemy sobie wyobrazić, jak wiele obliczeń musiały wykonać komputery, zanim uzyskały ostateczne rezultaty.
Trzeci etap polegał na wykorzystaniu uczenia maszynowego do przewidywania, czy cząsteczki będą rozpuszczalne w wodzie. Ostatnie odnosił się natomiast do stworzenia bazy danych, która mogłaby być zrozumiała nie tylko dla człowieka, ale i maszyny. Naukowcy nazwali tę bazę RedDB, a wśród jej części składowych wymienia się między innymi listę cząsteczek, a także ich właściwości i opisy.
Czytaj też: Baterie cynkowo-jonowe jako bezpieczniejsza alternatywa dla litowo-jonowych? Teraz jest to możliwe
To, co zawiera rzeczony spis, jest obecnie dostępne nie tylko dla naukowców związanych z DIFFER, ale również dla badaczy z innych instytucji. W przyszłości zebrane informacje mogłyby pomóc w projektowaniu baterii przepływowych redoks. W grę wchodzi nawet odwrotne podejście: użycie bazy danych do poprawy wydajności modeli opartych na uczeniu maszynowym.
