TECH

Η ΑΙ εντόπισε 5 νέα υλικά που θα μπορούσαν να αντικαταστήσουν τις μπαταρίες λιθίου

Η ΑΙ εντόπισε 5 νέα υλικά που θα μπορούσαν να αντικαταστήσουν τις μπαταρίες λιθίου

Σε αντίθεση με τις παραδοσιακές μπαταρίες λιθίου, οι οποίες βασίζονται σε ιόντα λιθίου που μεταφέρουν μόνο ένα θετικό φορτίο, οι μπαταρίες πολυσθενών ιόντων χρησιμοποιούν στοιχεία των οποίων τα ιόντα μεταφέρουν δύο ή ακόμη και τρία θετικά φορτία, αποθηκεύοντας σημαντικά περισσότερη ενέργεια

Freepik

Ερευνητές από το Ινστιτούτο Τεχνολογίας του Νιου Τζέρσεϊ (NJIT) στις ΗΠΑ χρησιμοποίησαν τεχνητή νοημοσύνη για να αντιμετωπίσουν ένα κρίσιμο πρόβλημα που αφορά το μέλλον της αποθήκευσης ενέργειας: την εξεύρεση προσιτών, βιώσιμων εναλλακτικών λύσεων για τις μπαταρίες ιόντων λιθίου.

Σε έρευνα που δημοσιεύθηκε στο περιοδικό Cell Reports Physical Science, η ομάδα του NJIT με επικεφαλής τον καθηγητή Ντιμπακάρ Ντάτα χρησιμοποίησε με επιτυχία αλγόριθμους παραγωγικής τεχνητής νοημοσύνης για την ανακάλυψη πέντε νέων πορωδών υλικών για μπαταρίες. Αυτές οι μπαταρίες, που χρησιμοποιούν στοιχεία που βρίσκονται σε αφθονία και είναι οικονομικότερα από το λίθιο, όπως μαγνήσιο, ασβέστιο, αλουμίνιο και ψευδάργυρο, προσφέρουν μια πολλά υποσχόμενη, οικονομικά αποδοτική εναλλακτική λύση.

Σε αντίθεση με τις παραδοσιακές μπαταρίες λιθίου, οι οποίες βασίζονται σε ιόντα λιθίου που μεταφέρουν μόνο ένα θετικό φορτίο, οι μπαταρίες πολυσθενών ιόντων χρησιμοποιούν στοιχεία των οποίων τα ιόντα μεταφέρουν δύο ή ακόμη και τρία θετικά φορτία. Αυτό σημαίνει ότι οι πολυσθενείς μπαταρίες μπορούν ενδεχομένως να αποθηκεύουν σημαντικά περισσότερη ενέργεια, καθιστώντας τις ιδιαίτερα ελκυστικές, αναφέρει το Science Daily.

Ωστόσο, το μεγαλύτερο μέγεθος και το μεγαλύτερο ηλεκτρικό φορτίο των πολυσθενών ιόντων καθιστούν δύσκολη την αποτελεσματική ενσωμάτωσή τους σε υλικά μπαταριών – ένα εμπόδιο που ξεπέρασε η νέα έρευνα της ομάδας του NJIT με τη χρήση τεχνητής νοημοσύνης.

«Στραφήκαμε στην γενετική τεχνητή νοημοσύνη ως έναν γρήγορο, συστηματικό τρόπο για να εντοπίσουμε τα υλικά που θα μπορούσαν πραγματικά να κάνουν τις πολυσθενείς μπαταρίες πρακτικές», δήλωσε ο Ντάτα.

Η ομάδα του NJIT χρησιμοποίησε το μοντέλο μηχανικής μάθησης CDVAE το οποίο εκπαίδευσε σε τεράστια σύνολα δεδομένων γνωστών κρυσταλλικών δομών, επιτρέποντάς του να προτείνει εντελώς νέα υλικά με ποικίλες δομικές δυνατότητες. Παράλληλα, ρύθμισε ένα μεγάλο γλωσσικό μοντέλο (LLM) ώστε να επικεντρωθεί στα πιο σταθερά θερμοδυναμικά υλικά. Ο συνδυασμός αυτός επέτρεψε στους ερευνητές να προτείνουν πρωτοφανείς πορώδεις μεταλλοοξειδικές δομές που θα ήταν αδύνατο να εντοπιστούν μέσω πειραματικής προσέγγισης.

«Αυτά τα υλικά έχουν μεγάλα, ανοιχτά κανάλια ιδανικά για τη γρήγορη και ασφαλή μεταφορά αυτών των ογκωδών πολυσθενών ιόντων, μια κρίσιμη ανακάλυψη για τις μπαταρίες επόμενης γενιάς», επεσήμανε ο Ντάτα.

Στη συνέχεια, η ομάδα επαλήθευσε τα ευρήματά της μέσω κβαντομηχανικών προσομοιώσεων και δοκιμών σταθερότητας, επιβεβαιώνοντας ότι τα υλικά μπορούσαν πράγματι να συντεθούν πειραματικά και ότι έχουν μεγάλο δυναμικό για εφαρμογές στον πραγματικό κόσμο.

Πλέον, σχεδιάζουν να συνεργαστούν με πειραματικά εργαστήρια για τη σύνθεση και τη δοκιμή των υλικών που ανακάλυψε η τεχνητή νοημοσύνη, ώστε να γίνουν τα πρώτα βήματα προς την εμπορική αξιοποίησε αυτής της νέας γενιάς μπαταριών.