هوش مصنوعی به دانشمندان کمک کرد تا پنج ماده جدید پیدا کنند که ممکن است در باتری‌های آینده عملکردی بهتر از لیتیوم داشته باشند. این کشفیات می‌توانند با استفاده از عناصری مانند منیزیم و روی، به ذخیره‌سازی انرژی ارزان‌تر، ایمن‌تر و قدرتمندتر منجر شوند.
حل مشکل باتری‌های لیتیوم-یون
محققان در “مؤسسه فناوری نیوجرسی” (NJIT) از هوش مصنوعی برای حل یک چالش بزرگ در آینده ذخیره‌سازی انرژی استفاده می‌کنند: یافتن جایگزین‌های کم‌هزینه و سازگار با محیط زیست برای باتری‌های لیتیوم-یون.
در مطالعه‌ای که در مجله Cell Reports Physical Science منتشر شد، تیمی به سرپرستی پروفسور «دیباکار داتا» از هوش مصنوعی مولد برای شناسایی سریع مواد متخلخل جدید استفاده کردند که می‌توانند توسعه باتری‌های چندظرفیتی را متحول کنند. این باتری‌های نسل بعدی به عناصر در دسترس‌تری مانند منیزیم، کلسیم، آلومینیوم و روی متکی‌اند. در مقایسه با باتری‌های لیتیوم-یون که با نگرانی‌های روزافزون در مورد تأمین و پایداری مواجه هستند، باتری‌های چندظرفیتی راهی امیدوارکننده و مقرون‌به‌صرفه‌تر را پیش رو می‌گذارند.
چرا باتری‌های چندظرفیتی، آینده باتری‌ها هستند؟
باتری‌های چندظرفیتی با استفاده از یون‌هایی که به جای یک بار مثبت، دو یا سه بار مثبت دارند، با نسخه‌های معمول لیتیوم-یون متفاوت هستند. این ویژگی به آن‌ها اجازه می‌دهد انرژی بسیار بیشتری را ذخیره کنند، که آن‌ها را به گزینه‌ای جذاب برای فناوری‌های آینده ذخیره‌سازی انرژی تبدیل می‌کند.
با این حال، چالش اصلی در اندازه بزرگ‌تر و بار قوی‌تر این یون‌های چندظرفیتی نهفته است که حرکت آن‌ها را در مواد باتری استاندارد دشوار می‌کند. رویکرد مبتنی بر هوش مصنوعی تیم NJIT به طور خاص برای غلبه بر این مانع و کشف موادی که برای مدیریت این یون‌های با بار بالا مناسب‌تر هستند، طراحی شده است.
استفاده از هوش مصنوعی مولد برای راه‌حل‌ها
«داتا» گفت:
یکی از بزرگ‌ترین موانع، نبود مواد شیمیایی امیدوارکننده برای باتری نبود، بلکه غیرممکن بودن آزمایش میلیون‌ها ترکیب از مواد بود. ما از هوش مصنوعی مولد به عنوان یک راه سریع و سیستماتیک برای بررسی این دنیای گسترده و یافتن ساختارهای محدودی که واقعاً می‌توانند باتری‌های چندظرفیتی را کاربردی کنند، استفاده کردیم.
این رویکرد به ما امکان می‌دهد به سرعت هزاران نامزد بالقوه را بررسی کنیم و جستجو برای جایگزین‌های کارآمدتر و پایدارتر برای فناوری لیتیوم-یون را به شدت تسریع بخشیم.
قدرت هوش مصنوعی دوگانه: CDVAE و LLM
برای غلبه بر این موانع، تیم NJIT یک رویکرد هوش مصنوعی دوگانه جدید را توسعه داد: یک خودرمزگذار واریشنال انتشار کریستالی (CDVAE) و یک مدل زبان بزرگ (LLM) که به طور دقیق تنظیم شده بود. این ابزارهای هوش مصنوعی با هم، هزاران ساختار کریستالی جدید را به سرعت بررسی کردند، کاری که قبلاً با استفاده از آزمایش‌های سنتی در آزمایشگاه غیرممکن بود.
مدل CDVAE با مجموعه‌داده‌های عظیمی از ساختارهای کریستالی شناخته‌شده آموزش داده شد و به آن امکان داد مواد کاملاً جدیدی را با امکانات ساختاری متنوع پیشنهاد کند. در همین حال، LLM تنظیم شد تا بر روی موادی تمرکز کند که نزدیک‌ترین حالت به پایداری ترمودینامیکی را دارند، که برای سنتز عملی بسیار حیاتی است.
کشف ۵ ساختار برجسته
«داتا» اظهار داشت:
ابزارهای هوش مصنوعی ما فرآیند کشف را به شدت تسریع کردند و پنج ساختار جدید و کاملاً متخلخل از اکسید فلزات واسطه را آشکار کردند که نویدبخش هستند. این مواد دارای کانال‌های بزرگ و بازی هستند که برای حرکت سریع و ایمن این یون‌های چندظرفیتی حجیم ایده‌آل است، و این یک پیشرفت حیاتی برای باتری‌های نسل بعدی به شمار می‌رود.
تیم، ساختارهای تولیدشده توسط هوش مصنوعی خود را با استفاده از شبیه‌سازی‌های مکانیک کوانتومی و آزمایش‌های پایداری تأیید کرد و تأیید نمود که این مواد می‌توانند به صورت تجربی سنتز شوند و پتانسیل بالایی برای کاربردهای واقعی دارند.
فراتر از باتری‌ها: انقلابی در مقیاس مواد
«داتا» بر پیامدهای گسترده‌تر رویکرد مبتنی بر هوش مصنوعی خود تأکید کرد و گفت:
این کشف فقط درباره مواد باتری جدید نیست، بلکه درباره ایجاد یک روش سریع و مقیاس‌پذیر برای بررسی هر نوع مواد پیشرفته، از الکترونیک گرفته تا راه‌حل‌های انرژی پاک، بدون نیاز به آزمون و خطای گسترده است.
با توجه به این نتایج دلگرم‌کننده، «داتا» و همکارانش قصد دارند با آزمایشگاه‌های تجربی همکاری کنند تا مواد طراحی‌شده توسط هوش مصنوعی خود را سنتز و آزمایش کنند و مرزهای توسعه باتری‌های چندظرفیتی قابل استفاده در بازار را بیش از پیش گسترش دهند.
منبع: Scitechdaily
