کشف الکترولیت جدید با کاهش ۷۰ درصدی مصرف لیتیوم به کمک هوش مصنوعی
دانشمندان مایکروسافت، آیبیام و سایر مراکز تحقیقاتی با بهرهگیری از هوش مصنوعی و محاسبات کوانتومی در حال کشف نسل جدیدی از مواد باتری هستند که میتواند مصرف لیتیوم را تا ۷۰ درصد کاهش دهد و راه را برای باتریهای ایمنتر، بادوامتر و سازگارتر با محیطزیست هموار کند.
همزمان، پژوهشگران دانشگاه فناوری نیوجرسی (NJIT) با استفاده از مدلهای یادگیری ماشینی مانند «خودرمزگذارهای واریانسی کریستالی» و مدلهای زبانی بزرگ در حال بررسی باتریهای چندظرفیتی هستند که از یونهایی مانند منیزیم و کلسیم استفاده میکنند. این یونها بار بیشتری حمل میکنند اما طراحی مواد سازگار با آنها چالشبرانگیز است؛ هوش مصنوعی در این زمینه با غربالسازی سریع ساختارهای متخلخل مناسب، نقشی حیاتی ایفا میکند.
در آیبیام نیز مدلهای هوش مصنوعی آموزشدیده بر میلیاردها مولکول برای شناسایی و بهینهسازی فرمولاسیونهای پیچیده الکترولیتها بهکار گرفته شدهاند. آیبیام با کمک مدلهای بنیادی و الگوریتمهای جستوجوی عمیق، کشف مواد شیمیایی پایدار با رسانایی بالا را تسریع کرده و از «دوقلوهای دیجیتال» برای شبیهسازی فرسایش باتری در چرخههای طولانی استفاده میکند.
در گامهای بعدی، مایکروسافت و آیبیام هر دو در حال بررسی نقش محاسبات کوانتومی در پژوهشهای مواد باتری هستند. رایانههای کوانتومی قادرند تعاملات اتمی و مولکولی را با دقتی بیسابقه شبیهسازی کنند و مسیر توسعه باتریهای نسل آینده، از نوع لیتیوم-سولفور و سدیم-یون، را بیش از پیش تسریع نمایند.
پیشرفتهای اخیر در استفاده از هوش مصنوعی و فناوریهای کوانتومی در پژوهشهای علمی، روند کشف مواد جدید را از دههها به چند هفته یا ماه کاهش داده است. یکی از برجستهترین نمونهها، همکاری میان مایکروسافت و آزمایشگاه ملی شمالغرب اقیانوس آرام (PNNL) وابسته به وزارت انرژی آمریکاست که منجر به شناسایی یک الکترولیت جامد نوآورانه با نام NaxLi3−xYCl6 شده است. این ماده میتواند وابستگی به لیتیوم را تا حدود ۷۰ درصد کم کند و گامی مهم در توسعه باتریهای پایدارتر بهشمار میرود.
به گزارش خبرگزاری و به نقل از تکاسپات، مایکروسافت با بهرهگیری از پلتفرم Azure Quantum Elements و مدل هوش مصنوعی M3GNet بیش از ۳۲ میلیون ترکیب معدنی را تحلیل کرد. این مدل با شبیهسازیهای مولکولی پیشرفته و ارزیابی ویژگیهایی مانند پویایی اتمی، فهرست ترکیبات را به حدود ۵۰۰ هزار ماده پایدار کاهش داد و در نهایت تنها در ۸۰ ساعت به ۱۸ گزینهی امیدبخش رسید؛ فرایندی که به روشهای سنتی سالها زمان میبرد.
پژوهشگران PNNL بهترین ترکیب را سنتز کردند؛ مادهای که از یونهای سدیم و لیتیوم در ساختار بلوری خود بهره میبرد. هرچند ترکیب این دو نوع یون پیشتر دشوار تلقی میشد، آزمایشها نشان داد که آنها با همکاری متقابل، رسانایی یونی را بهبود میبخشند. این الکترولیت جامد در طیف گستردهای از دماها عملکرد مناسبی نشان داد و قابلیت استفاده در باتریهای حالتجامد ایمن و پرظرفیت را دارد.
به گزارش خبرگزاری و به نقل از تکاسپات، مایکروسافت با بهرهگیری از پلتفرم Azure Quantum Elements و مدل هوش مصنوعی M3GNet بیش از ۳۲ میلیون ترکیب معدنی را تحلیل کرد. این مدل با شبیهسازیهای مولکولی پیشرفته و ارزیابی ویژگیهایی مانند پویایی اتمی، فهرست ترکیبات را به حدود ۵۰۰ هزار ماده پایدار کاهش داد و در نهایت تنها در ۸۰ ساعت به ۱۸ گزینهی امیدبخش رسید؛ فرایندی که به روشهای سنتی سالها زمان میبرد.
پژوهشگران PNNL بهترین ترکیب را سنتز کردند؛ مادهای که از یونهای سدیم و لیتیوم در ساختار بلوری خود بهره میبرد. هرچند ترکیب این دو نوع یون پیشتر دشوار تلقی میشد، آزمایشها نشان داد که آنها با همکاری متقابل، رسانایی یونی را بهبود میبخشند. این الکترولیت جامد در طیف گستردهای از دماها عملکرد مناسبی نشان داد و قابلیت استفاده در باتریهای حالتجامد ایمن و پرظرفیت را دارد.
همزمان، پژوهشگران دانشگاه فناوری نیوجرسی (NJIT) با استفاده از مدلهای یادگیری ماشینی مانند «خودرمزگذارهای واریانسی کریستالی» و مدلهای زبانی بزرگ در حال بررسی باتریهای چندظرفیتی هستند که از یونهایی مانند منیزیم و کلسیم استفاده میکنند. این یونها بار بیشتری حمل میکنند اما طراحی مواد سازگار با آنها چالشبرانگیز است؛ هوش مصنوعی در این زمینه با غربالسازی سریع ساختارهای متخلخل مناسب، نقشی حیاتی ایفا میکند.
در آیبیام نیز مدلهای هوش مصنوعی آموزشدیده بر میلیاردها مولکول برای شناسایی و بهینهسازی فرمولاسیونهای پیچیده الکترولیتها بهکار گرفته شدهاند. آیبیام با کمک مدلهای بنیادی و الگوریتمهای جستوجوی عمیق، کشف مواد شیمیایی پایدار با رسانایی بالا را تسریع کرده و از «دوقلوهای دیجیتال» برای شبیهسازی فرسایش باتری در چرخههای طولانی استفاده میکند.
در گامهای بعدی، مایکروسافت و آیبیام هر دو در حال بررسی نقش محاسبات کوانتومی در پژوهشهای مواد باتری هستند. رایانههای کوانتومی قادرند تعاملات اتمی و مولکولی را با دقتی بیسابقه شبیهسازی کنند و مسیر توسعه باتریهای نسل آینده، از نوع لیتیوم-سولفور و سدیم-یون، را بیش از پیش تسریع نمایند.
*
