Onderzoekers hebben zich tot kunstmatige intelligentie gewend om een probleem op te lossen dat al tientallen jaren geërgeerde materialenwetenschappers: hoe ze nieuwe materialen efficiënt kunnen ontdekken die beter kunnen presteren dan de regerende lithium-ionbatterij. Een baanbrekende studie gepubliceerd in Cell meldt fysieke wetenschap onthult een krachtige nieuwe AI-aangedreven methodologie die al vijf nieuwe materiële kandidaten heeft geïdentificeerd, waardoor de beweging naar een toekomst na de lithium mogelijk wordt versneld met langer duurzame, veiliger en milieuvriendelijke batterijen.
The Great Battery Bottleneck: een naald in een hooiberg
Ondanks al hun alomtegenwoordigheid hebben lithium-ionbatterijen beperkingen. De afhankelijkheid van metalen met zeldzame aarde zoals lithium en kobalt levert aanzienlijke risico’s voor supply chain en milieuproblemen. Bovendien nadert de technologie een plateau in termen van energiedichtheid en prestaties. Wetenschappers theoretiseerden al lang die materialen die bekend staan als Overgangsmetaaloxiden (TMO’s) houd een enorme belofte aan. Hun veelzijdige kristalstructuren en hoge ionische geleidbaarheid maken ze ideale kandidaten voor batterijen die overvloedige, multivalente ionen zoals zink, magnesium en aluminium gebruiken in plaats van lithium.
De uitdaging is echter monumentaal. Het aantal mogelijke TMO -structuren, die verschillende elementen in verschillende verhoudingen en configuraties combineren, is astronomisch enorm. Het verkennen van ze met traditionele experimentele methoden of zelfs standaard computationele technieken zoals Density Functional Theory (DFT) is een klassieke “naald in een hooiberg” -probleem – het verlegen langzaam en duur. Het is dit knelpunt dat het nieuwe onderzoek beoogt te breken met een geavanceerd, dubbele geleidelijk generatief AI-framework.
Een dubbel AI -raamwerk voor versnelde ontdekking
In plaats van te vertrouwen op een enkel model, ontwierpen de onderzoekers een synergetisch systeem waarbij twee verschillende soorten generatieve AI werden gebruikt om de chemische ruimte vanuit verschillende hoeken te verkennen. Deze aanpak zorgt voor een uitgebreidere en robuustere zoektocht naar levensvatbare nieuwe materialen.
De eerste component is een Crystal Diffusion Variational Autoencoder (CDVAE). Dit model is ontworpen om de creatieve ontdekkingsreiziger te zijn. Het werd getraind op een enorme dataset van meer dan 44.000 bekende TMO -structuren, waardoor het de fundamentele “regels” kon leren van hoe stabiele kristallen worden gevormd. De CDVAE gebruikt deze kennis vervolgens om een brede diversiteit van nieuwe, plausibele kristalstructuren te genereren – waarvan vele nog nooit eerder is gezien. In de studie genereerde het een initiële pool van 10.000 kandidaten, die zijn kracht aantoonde bij het verkennen van een breed scala aan nieuwe configuraties.
De tweede component is een verfijnde lArge Language Model (LLM)met name een versie van het Lama-3.1-model van Meta. Terwijl we LLMS meestal associëren met tekst, hebben de onderzoekers het slim aangepast aan de taal van de chemie. Ze hebben complexe kristalstructuren omgezet in tokenized sequenties van tekst die de LLM kon verwerken. De kracht van het model ligt niet in brede verkenning, maar in precisie. Het blinkt uit in het genereren van structuren die heel dicht bij het thermodynamisch evenwicht liggen, wat betekent dat ze zeer stabiel zijn en meer kans hebben om in een lab te worden gesynthetbaar. Dit model produceerde ook 10.000 structuren, maar ze waren geconcentreerd in een smaller, stabieler gebied van de chemische ruimte.
Zodra deze tienduizenden kandidaten werden gegenereerd, werden ze doorgegeven aan een derde AI -model, een voorwaartse machine learning -tool genaamd Uitlijnendie fungeerde als een snel screeningfilter. Het voorspelde snel cruciale eigenschappen voor elke structuur – zoals zijn vormingsenergie, band gap en “energie boven de romp” (een belangrijke metriek voor stabiliteit) – waardoor de onderzoekers niet -belovende kandidaten kunnen weggooien en alleen kunnen focussen op de meest levensvatbare.
Vergelijking van de AI -makers: stabiliteit versus nieuwigheid
Een van de meest fascinerende resultaten van de studie was het duidelijke verschil in de materialen die door de twee modellen werden gegenereerd. De LLM produceerde een veel hoger percentage structuren die als thermodynamisch stabiel werden beschouwd, met een “energie boven de romp” -waarde onder de drempel van 0,08 eV/atoom. In het bijzonder was 46% van zijn gefilterde kandidaten stabiel, vergeleken met slechts 15% van de CDVAE.
Dit vertelt echter niet het hele verhaal. Terwijl de creaties van de LLM stabieler waren “uit de doos”, de Cdvae produceerde een veel breder scala aan structuren met een grotere structurele diversiteit. Dankzij het vermogen om materialen te genereren met ruimtegroepen met lagere symmetrie kon het unieke configuraties vinden die, hoewel aanvankelijk minder stabiel, het potentieel hadden om te ontspannen in nog diepere energieminima dan alles wat de LLM vond. Dit suggereert dat de CDVAE superieur is voor het ontdekken van echt nieuwe, diepe energie-fasen die kunnen worden gesynthetiseerd onder specifieke niet-evenwichtsomstandigheden.
Deze afweging is cruciaal: de LLM is beter voor het vinden van materialen die gemakkelijk te maken zijn, terwijl de CDVAE beter is voor het vinden van potentieel baanbrekende materialen die mogelijk geavanceerdere synthesetechnieken vereisen.
De doorbraak: vijf nieuwe TMO’s voor batterijen van de volgende generatie
De ultieme triomf van het project kwam van het CDVAE-model, dat met succes vijf nieuwe TMO-gebaseerde structuren genereerde met eigenschappen die ideaal zijn voor multivalente ionbatterijen. Deze materialen, inclusief composities zoals Cusn₂of₈ En Ca₄o₂in₂hebben de grote, open-tunnel frameworks die essentieel zijn om grotere ionen toe te staan om de elektrode efficiënt en veilig door te bewegen.
Om de levensvatbaarheid van deze ontdekkingen te bevestigen, heeft het team fonon -dispersieberekeningen uitgevoerd op een representatieve structuur, Ca₄o₂in₂. De resultaten vertoonden geen roosterinstabiliteiten, wat de dynamische stabiliteit ervan bevestigt. Hoewel het als metastabiel wordt beschouwd, is de structuur gezond en het openen van de deur voor zijn potentiële synthese. Deze stap valideert dat de AI niet alleen theoretische fantasieën genereert, maar fysiek plausibele materialen die een experimentele streven waard zijn.
