Przyszła sztuczna inteligencja i pozamiatała. Badacze w szoku

Nadanie nowego sensu samochodom elektrycznym jest proste – wystarczy ulepszyć ich akumulatory, a to… no cóż, do łatwych zadań nie należy. Co jednak w momencie, kiedy zasięgniemy pomocy sztucznej inteligencji?
Przyszła sztuczna inteligencja i pozamiatała. Badacze w szoku

W nieustannie rozwijającym się świecie technologii kluczowe znaczenie ma poszukiwanie coraz wydajniejszych i bardziej zrównoważonych metod magazynowania energii. Wraz z rosnącą popularnością pojazdów elektrycznych zwiększa się jednocześnie zapotrzebowanie na akumulatory zapewniające dłuższy zasięg, szybsze ładowanie i wyższy poziom bezpieczeństwa. Pomimo znacznych postępów w ich technologii, wciąż istnieją poważne wyzwania, a to szczególnie w zakresie optymalizacji komponentów odpowiedzialnych za magazynowanie i przepływ energii.

Czytaj też: Eksperci zabrali głos. Marnujesz pieniądze i nawet o tym nie wiesz

W tym kontekście naukowcy poszukują innowacyjnych rozwiązań, a jednym z obszarów, który wzbudza coraz większe zainteresowanie, jest rozwój akumulatorów solid-state, które zamiast ciekłych elektrolitów wykorzystują w ich roli materiały stałe. Takie podejście nie tylko ma na celu poprawę wydajności akumulatorów, ale także rozwiązuje problemy związane z bezpieczeństwem cieczy elektroprzewodzących.

Naukowcy użyli SI, by złamać kod elektrolitów dla akumulatorów nowej generacji

Kluczowym elementem każdej baterii jest elektrolit, a więc medium, przez które jony przemieszczają się między anodą a katodą. W tradycyjnych akumulatorach litowo-jonowych zwykle stosuje się elektrolity ciekłe, które jednak wiążą się z ryzykiem pożaru lub wycieku. Z kolei akumulatory, które wykorzystują stałe elektrolity, stanowią bezpieczniejszą alternatywę i oferują potencjalnie wyższą gęstość energii. Jednak znalezienie odpowiednich materiałów stałych na elektrolity to duże wyzwanie.

Czytaj też: Pokazali panele słoneczne nowej generacji. Są mniejsze, tańsze i po prostu lepsze

Idealny elektrolit powinien cechować się wysoką przewodnością jonową, stabilnością oksydacyjną i wysoką wydajnością. Zbalansowanie tych właściwości jest trudne, ponieważ poprawa jednej często obniża pozostałe. Tradycyjne metody poszukiwania opierają się więc na próbach i błędach, przez co są kosztowne, czasochłonne i po prostu nieefektywne, biorąc pod uwagę ogromną liczbę potencjalnych kandydatów chemicznych. Aby rozwiązać ten problem, zespół badawczy pod kierownictwem dr. Ritesha Kumara z Pritzker School of Molecular Engineering opracował framework oparty na sztucznej inteligencji, który przyspiesza proces identyfikacji najlepszych materiałów elektrolitowych.

Czytaj też: Energia zawsze i wszędzie, czyli akumulatorowa rewolucja zza Bałtyku

Najważniejszym elementem tego osiągnięcia jest eScore, a więc wskaźnik, który ocenia cząsteczki na podstawie trzech kluczowych kryteriów, bo przewodności jonowej, stabilności oksydacyjnej i wydajności Coulomba. Każda badana cząsteczka otrzymuje ocenę eScore, co pozwala modelowi SI na klasyfikację i wskazanie najbardziej obiecujących kandydatów do dalszych badań. Zwłaszcza że został przeszkolony na podstawie danych z ponad 250 publikacji naukowych i tym samym ponad 50 lat badań nad akumulatorami litowo-jonowymi. Tak obszerna baza pozwala sztucznej inteligencji na rozpoznanie zależności między strukturą cząsteczek a ich właściwościami. To nie tylko teoria, bo w teście model z powodzeniem zidentyfikował cząsteczkę, której parametry dorównują obecnie najlepszym elektrolitom komercyjnym, co potwierdza skuteczność podejścia opartego na danych.

Rewolucyjne akumulatory od SI kwestią czasu?

Integracja zaawansowanych modeli sztucznej inteligencji z badaniami nad akumulatorami stanowi przełom w odkrywaniu i optymalizacji nowych materiałów. Dzięki uczeniu maszynowemu naukowcy mogą szybciej i efektywniej poruszać się po złożonej przestrzeni chemicznej, ograniczając potrzebę kosztownych eksperymentów laboratoryjnych. To znaczący krok ku rozwojowi bezpieczniejszych, bardziej wydajnych akumulatorów oraz przyspieszeniu przejścia na zrównoważone źródła energii. Niemniej jednak nadal pozostają pewne wyzwania do pokonania. Dokładność prognoz modelu spada bowiem, gdy ten analizuje cząsteczki znacznie różniące się od tych, na których był trenowany. Pokonanie tej bariery wymagać będzie dalszej rozbudowy zbioru danych i ulepszania algorytmów.