Вместо того чтобы просто выбирать, какие материалы следует включить в состав, искусственный интеллект определяет все детали рецептуры.
Электролиты, используемые в батареях, далеко не простые соединения; это тщательно сбалансированные смеси солей, растворителей и добавок, которые постоянно взаимодействуют и влияют друг на друга. Хотя искусственный интеллект уже доказал свою полезность в сужении круга подходящих отдельных материалов для этих систем, исследователи сейчас продвигают эту технологию дальше.
Группа исследователей из Притцкеровской школы молекулярной инженерии Чикагского университета разработала подход на основе искусственного интеллекта, способный генерировать целые составы электролитов, а не просто выбирать компоненты. Работа, опубликованная в журнале JACS Au, представляет собой развитие разрабатываемой в лаборатории Аманчукву платформы искусственного интеллекта для исследований в области батарей, известной как ElectrolyteGPT.
По словам первого автора, Джемина Кима, электролиты для батарей следующего поколения должны удовлетворять множеству и часто противоречащих друг другу требований к характеристикам. Способность модели работать в различных условиях позволяет ей разрабатывать новые варианты электролитов, которые одновременно отвечают этим жестким целевым показателям свойств.
Использование искусственного интеллекта повышает показатели эффективности электролита в батареях.
Вместо простого выбора материалов, которые следует включить в состав, искусственный интеллект определяет все детали рецептуры, включая концентрации, соотношения смешивания и другие ключевые параметры электролитной смеси. При этом он работает над достижением заранее определенных целевых показателей, охватывающих проводимость, стабильность, вязкость и связанные с ними свойства.
Когда исследователи синтезировали и протестировали рекомендации, сгенерированные искусственным интеллектом, они выявили несколько новых составов электролитов, которые соответствовали характеристикам современных литий-металлических аккумуляторных систем. По словам ведущего автора, профессора Чибуэзе Аманчукву, это представляет собой важный шаг на пути к более широкой цели — открытию электролитов, способных превзойти современные эталонные показатели.
Исследователи сообщили, что несколько составов электролитов, сгенерированных с помощью ИИ, показали результаты, сопоставимые с современными системами, что подтверждает уверенность в способности модели воспроизводить результаты проектирования на экспертном уровне. Хотя результаты многообещающие, они также подчеркивают необходимость дальнейшего совершенствования и изучения, прежде чем этот подход сможет стабильно превосходить существующие показатели.
Число возможных молекул для электролитов батарей оценивается примерно в 10⁶⁰ — это больше, чем число звезд в наблюдаемой Вселенной. Испытание каждой из них на предмет использования в батареях, методах лечения рака или других передовых материалах выходит далеко за рамки человеческой жизни. И эта цифра охватывает только отдельные молекулы, а не почти бесконечное число способов их комбинирования в различные составы и смеси.
Открытие расширяет возможности разработки материалов для батарей.
По словам Кима, исчерпывающе исследовать практически бесконечное пространство возможных химических составов электролитов не представляется возможным. Однако генеративный искусственный интеллект может помочь ориентироваться в этих неизведанных областях химического пространства и предлагать совершенно новые молекулы, которые, возможно, никогда ранее не были синтезированы.
Система способна генерировать теоретические варианты с гораздо большей скоростью, чем это может сделать человек, выбирая те, которые, по ее прогнозам, на основе закономерностей, выявленных в обучающих данных, могут быть пригодны для конкретных применений. Затем эти сгенерированные ИИ предложения проверяются в лаборатории, где исследователи тестируют их, используя те же экспериментальные процедуры, которые применяются к материалам, разработанным учеными.
Искусственный интеллект широко используется в разработке лекарств, что первоначально представляло собой проблему для команды Аманчукву, поскольку большинство существующих моделей GPT обучаются на данных, которые отдают предпочтение молекулам, похожим на лекарственные препараты, а не тем, которые подходят для применения в батареях.
По словам Аманчукву, использование стандартных наборов данных, основанных на литературных источниках, как правило, приводит к получению нерелевантных результатов, похожих на лекарственные препараты. Для решения этой проблемы команда создала тщательно отобранный набор данных, специально ориентированный на соединения, имеющие отношение к электролитам, что фактически сузило базу знаний модели. В результате, при запросе на генерацию новых молекул растворителей система выдает кандидатов, которые больше похожи на перспективные электролиты для батарей, чем на фармацевтические соединения.
Sourse: interestingengineering.com
