Исследовательская группа Чикагского университета вручную собрала данные об аккумуляторах из 250 исследований для обучения своей модели искусственного интеллекта.
Концептуальное изображение литиевой твердотельной батареи, демонстрирующее слой твердого электролита, используемый для хранения энергии в электромобилях следующего поколения.
Просто_Супер/iStock
Группа исследователей из США разработала структуру на основе искусственного интеллекта, которая потенциально может ускорить разработку аккумуляторов следующего поколения за счет выявления молекул с идеальными электролитными свойствами.
Новый метод, разработанный доктором Ритешем Кумаром, научным сотрудником лаборатории Аманчукву в Школе молекулярной инженерии имени Притцкера Чикагского университета (UChicago PME), и его командой, оценивает и ранжирует потенциальные кандидаты на роль электролита для аккумуляторов с использованием метрики, называемой «eScore».
Используя искусственный интеллект и машинное обучение, система оценивает молекулы электролита по трем ключевым критериям эффективности, включая ионную проводимость, окислительную стабильность и кулоновскую эффективность — свойства, которые часто трудно оптимизировать одновременно.
По словам Кумара, хотя разработка электролитов обычно предполагает компромиссы, поскольку молекулы, обладающие высокой стабильностью, часто не обладают проводимостью, и наоборот, новый инструмент помогает выявлять кандидатов, которые могут одновременно отвечать нескольким требованиям к производительности.
Обучение ИИ
Для создания обучающего набора данных исследователи вручную собрали данные из более чем 250 научных исследований, охватывающих более 50 лет исследований литий-ионных аккумуляторов. Большая часть соответствующей информации существовала только в виде изображений, будь то диаграммы или таблицы, встроенные в журнальные рисунки, и требовала ручного ввода.
После обучения система ИИ могла оценивать молекулы-кандидаты на основе их прогнозируемой производительности, включая те, с которыми она никогда не сталкивалась. Модель определила молекулу, которая соответствовала лучшим существующим коммерческим электролитам аккумуляторов в одном случае.
По словам исследовательской группы, инновационный подход отходит от традиционных методов проб и ошибок, часто используемых при исследовании аккумуляторов.
Они также пояснили, что изучить все возможные комбинации электролитов, используя только лабораторные испытания, практически невозможно, поскольку число потенциальных молекул-кандидатов оценивается в 10⁶⁰.
«Для нас было бы невозможно просмотреть сотни миллионов соединений, чтобы сказать: «О, я думаю, нам следует изучить это»», — заявил Аманчукву и сравнил использование ИИ в исследованиях с прослушиванием музыки онлайн.
Подобно алгоритмам музыкальных рекомендаций, ИИ изучает закономерности, чтобы предсказывать наиболее перспективные молекулы. Аманчукву заявил, что следующим шагом станет разработка ИИ, который не просто выбирает песни, но и создает плейлисты, тем самым прокладывая путь к разработке совершенно новых молекул.
Следующие шаги впереди
Сообщается, что команда начала вручную курировать набор данных для обучения ИИ в 2020 году, извлекая тысячи потенциальных соединений из более чем 50 лет исследований батарей, большая часть которых скрыта в диаграммах, рисунках и схемах. Поскольку большинство крупных языковых моделей могут интерпретировать только текст, им приходится вводить значения вручную, что подразумевает выделение выделенного, что отнимает много времени.
«Даже современные модели испытывают трудности с извлечением данных из изображений», — сказал Аманчукву в пресс-релизе, добавив, что ручной ввод данных необходим из-за проблем с форматированием, поскольку ключевая информация часто встроена в изображения, а не в текст.
Кредит: Кумар и др., Химия материалов (2025). DOI: 10.1021/acs.chemmater.4c03196
Несмотря на размер набора данных, исследователи подчеркнули, что обучение модели — это только начало. ИИ был оценен на молекулах, которые он никогда раньше не видел, чтобы проверить его истинный потенциал. Он хорошо показал себя на тех, которые были химически похожи на известные соединения, но испытывал трудности с незнакомыми.
Теперь команда сосредоточена на преодолении следующей крупной проблемы, которая включает в себя обучение модели ИИ для точного прогнозирования производительности молекул в совершенно разных химических пространствах. Это важный шаг на пути к продвижению дизайна батареи следующего поколения.
Исследование опубликовано в журнале Chemistry of Materials.
Sourse: interestingengineering.com
