Με τη ζήτηση για ενέργεια να αυξάνεται εκθετικά και τις πρώτες ύλες για μπαταρίες λιθίου να γίνονται ολοένα και πιο σπάνιες και δαπανηρές, επιστήμονες στις ΗΠΑ εστιάζουν σε νέες τεχνολογίες αποθήκευσης ενέργειας. Ένα ερευνητικό βήμα που θα μπορούσε να αλλάξει τους κανόνες του παιχνιδιού ήρθε από το New Jersey Institute of Technology (NJIT), όπου ομάδα επιστημόνων αξιοποίησε την τεχνητή νοημοσύνη για να εντοπίσει πέντε νέα υλικά που θα μπορούσαν να αντικαταστήσουν τις σημερινές μπαταρίες ιόντων λιθίου.
Η μελέτη, που δημοσιεύθηκε στο περιοδικό Cell Reports Physical Science, παρουσιάζει έναν καινοτόμο τρόπο χρήσης παραγωγικών AI αλγορίθμων για την επιτάχυνση της ανακάλυψης νέων πορωδών υλικών. Αυτά τα υλικά έχουν τη δυνατότητα να φιλοξενήσουν ιόντα στοιχείων όπως το μαγνήσιο, το ασβέστιο, το αλουμίνιο και ο ψευδάργυρος, άφθονα και φθηνότερα στοιχεία σε σύγκριση με το λίθιο. Οι λεγόμενες «πολυσθενείς» μπαταρίες, που βασίζονται σε αυτά τα στοιχεία, φαίνεται να υπόσχονται υψηλότερη ενεργειακή πυκνότητα και καλύτερη βιωσιμότητα.
Η βασική πρόκληση που εμποδίζει την εμπορική ανάπτυξη τέτοιων μπαταριών είναι η δυσκολία ενσωμάτωσης των μεγαλύτερων και φορτισμένων πολυσθενών ιόντων στα υλικά των ηλεκτροδίων. Αυτά τα ιόντα, σε αντίθεση με τα μονοσθενή ιόντα λιθίου, φέρουν δύο ή και τρία θετικά φορτία, κάτι που καθιστά δύσκολη την ταχεία και αποτελεσματική μετακίνησή τους εντός των συστημάτων των μπαταριών.
«Δεν μας έλειπαν οι υποσχόμενες χημικές ενώσεις», εξηγεί ο καθηγητής Dibakar Datta, επικεφαλής της ερευνητικής ομάδας. «Το πραγματικό εμπόδιο ήταν ότι ήταν πρακτικά αδύνατο να δοκιμαστούν εκατομμύρια πιθανοί συνδυασμοί υλικών με συμβατικές μεθόδους. Για αυτό καταφύγαμε στην τεχνητή νοημοσύνη, για να κάνουμε τη διαδικασία πιο γρήγορη, πιο έξυπνη και πιο στοχευμένη».
Για τον σκοπό αυτό, η ομάδα του NJIT ανέπτυξε ένα σύστημα διπλής τεχνητής νοημοσύνης που συνδυάζει δύο διαφορετικά μοντέλα: το Crystal Diffusion Variational Autoencoder (CDVAE), ένα μοντέλο μηχανικής μάθησης εκπαιδευμένο σε μεγάλες βάσεις δεδομένων κρυσταλλικών δομών, και ένα μεγάλο γλωσσικό μοντέλο (LLM), βελτιστοποιημένο ώστε να εντοπίζει τα πιο σταθερά θερμοδυναμικά υλικά. Ο συνδυασμός αυτός επέτρεψε στους ερευνητές να προτείνουν πρωτοφανείς πορωδείς μεταλλοοξειδικές δομές που θα ήταν αδύνατο να εντοπιστούν μέσω πειραματικής προσέγγισης.
Οι πέντε νέες δομές που εντόπισε το AI παρουσιάζουν εξαιρετικά χαρακτηριστικά: διαθέτουν μεγάλες, ανοικτές διόδους που επιτρέπουν την ταχεία και ασφαλή διέλευση των πολυσθενών ιόντων. Αυτό θεωρείται καθοριστικής σημασίας για την ανάπτυξη επόμενης γενιάς μπαταριών με υψηλότερη ενεργειακή πυκνότητα και μακροχρόνια αξιοπιστία.
Η εγκυρότητα των ευρημάτων δεν έμεινε μόνο σε υπολογιστικό επίπεδο. Η ομάδα επιβεβαίωσε τις προβλέψεις της μέσω προσομοιώσεων κβαντομηχανικής και δοκιμών σταθερότητας, αποδεικνύοντας πως τα υλικά αυτά μπορούν να συντεθούν εργαστηριακά και να έχουν πρακτική εφαρμογή.
Η σημασία αυτής της μεθόδου δεν περιορίζεται μόνο στις μπαταρίες. Πρόκειται για ένα εργαλείο που μπορεί να επιταχύνει την ανακάλυψη προηγμένων υλικών σε πληθώρα τομέων, από τα ηλεκτρονικά μέχρι τις καθαρές ενεργειακές λύσεις. Και όλα αυτά χωρίς τη χρονοβόρα διαδικασία της δοκιμής και του λάθους που μας κρατούσε πίσω για δεκαετίες.
Με αυτά τα πρώτα αποτελέσματα ως βάση, οι ερευνητές σχεδιάζουν τώρα συνεργασία με πειραματικά εργαστήρια για να κατασκευάσουν και να δοκιμάσουν στην πράξη τα υλικά που σχεδιάστηκαν μέσω τεχνητής νοημοσύνης. Ο στόχος είναι να γίνουν τα πρώτα βήματα προς την εμπορική αξιοποίηση αυτής της νέας γενιάς μπαταριών, πιο ισχυρών, πιο βιώσιμων και απεξαρτημένων από τις περιορισμένες παγκόσμιες προμήθειες λιθίου.
[via]
