Onderzoekers gebruiken AI om de jacht op veiligere, betere batterijen te versnellen

Nu de schone transitie het gebruik van elektrische voertuigen en energieopslag stimuleert voor een elektriciteitsnet met een steeds grotere afhankelijkheid van variabele hernieuwbare energiebronnen zoals wind- en zonne-energie, groeit ook het gevaar van batterijbranden. Om dit risico te beperken en tegelijkertijd de batterijprestaties te verbeteren, zal de volgende generatie batterijen waarschijnlijk afhankelijk zijn van nieuwe vastestofelektrolyten, maar het onderzoek wordt belemmerd door de enorme hoeveelheid materiaalopties en de daarbij betrokken parameters.

Machine learning komt echter te hulp. Een groep materiaalwetenschappers heeft een nieuwe, dynamische database van honderden vastestofelektrolyten ontwikkeld, waarop ze kunstmatige-intelligentietechnieken hebben toegepast die het onderzoek nu al in betere richtingen sturen.

Er verscheen een document waarin hun aanpak werd beschreven gepubliceerd in het journaal Nanomateriaalkunde op 10 september 2023.

Organische oplosmiddelen worden vaak gebruikt als elektrolyten – stoffen, meestal vloeistoffen of gels, die de beweging van geladen deeltjes, of ionen, tussen de positieve en negatieve elektroden vergemakkelijken – in veel oplaadbare batterijen.

Dit type oplosmiddel zorgt voor een goede geleiding en maakt een efficiënt transport van ionen tussen de elektroden mogelijk, maar vanwege een reeks veiligheids- en prestatieproblemen zijn batterijonderzoekers al lang op zoek naar alternatieve elektrolytmaterialen.

Met name organische oplosmiddelen kunnen ontvlambaar zijn en kunnen leiden tot thermische reacties, waardoor brand of explosies kunnen ontstaan. Bovendien kunnen organische oplosmiddelen gevoelig zijn voor chemische ontleding, wat na verloop van tijd kan resulteren in de vorming van gas en de afbraak van de elektrolyt, waardoor de prestaties en levensduur van de batterij afnemen. Bovendien hebben ze soms last van een beperkt spanningsbereik waarbinnen de batterij kan werken.

Eén alternatief bestaat uit volledig solid-state batterijen (ASSB’s), waarin het traditionele vloeibare of organische gel-oplosmiddel wordt vervangen door een vaste elektrolyt, waardoor het probleem van lekkage en dus explosie wordt geëlimineerd. Deze vastestofelektrolyten verbeteren niet alleen de veiligheid, ze leveren ook een hogere energiedichtheid en – mogelijk – snellere oplaadtijden.

De reis naar het vinden van vaste-stofelektrolyten, of SSE’s, met een hoge ionische geleidbaarheid (het vermogen van ionen om door de batterij te bewegen en stroom te produceren) is echter bezaaid met uitdagingen, voornamelijk vanwege hun complexe structuren en de relatie tussen die structuren. en prestaties. Tot nu toe zijn alleen SSE’s met trage ionenmigratie geïdentificeerd. Zonder krachtige SSE’s is de ontwikkeling van ASSB’s ernstig belemmerd.

“Wat de zaken nog erger maakt, is het enorme aantal SSE’s waaruit je kunt kiezen”, zegt Hao Li, materiaalwetenschapper bij het Advanced Institute for Materials Research aan de Tohoku Universiteit en de corresponderende auteur van het artikel. “Er zijn honderden mogelijkheden, en het is een echte uitdaging voor onderzoekers om zo’n groot aantal opties aan te pakken en tegelijkertijd de vele verschillende parameters van optimale prestaties in de gaten te houden.”

Daarom ontwikkelde het team een ​​experimentele dynamische database, de Dynamic Database of Solid-State Electrolyte (DDSE), die aanvankelijk meer dan 600 potentiële vaste-stof elektrolytmaterialen bevatte, die een breed scala aan bedrijfstemperaturen besloeg en verschillende kationen en anionen (positief en negatief) omvatte. ionen), om de relaties tussen de verschillende variabelen te onderzoeken.

Een dynamische database is een type database dat is ontworpen om gemakkelijk regelmatig te kunnen worden bijgewerkt en aangepast, waardoor realtime wijzigingen en toevoegingen aan de gegevens die het bevat mogelijk zijn. Dit type database wordt vaak gebruikt in situaties waarin de informatie voortdurend evolueert. In dit geval wordt de DDSE voortdurend bijgewerkt met nieuwe experimentele gegevens. De database wordt wekelijks bijgewerkt en bevatte vanaf januari 2024 meer dan 1000 materialen.

De onderzoekers pasten vervolgens machinaal leren toe op de DDSE om de beperkingen van zowel menselijke analyse als de buitengewone rekenkosten van theoretische berekeningen te overwinnen. Bij gebrek aan machinaal leren hebben onderzoekers moeite gehad om het grote atomaire systeem van SSE’s en de complexiteit van de betrokken chemische reacties computationeel te ontwarren.

Door gebruik te maken van machine learning kunnen onderzoekers betere voorspellingen doen over nieuwe vaste-stof elektrolytmaterialen tegen veel lagere computationele (en financiële) kosten, met minimale tijdverspilling vergeleken met eerdere proefondervindelijke pogingen tot SSE-ontwerp.

Door dit te doen, zijn ze begonnen de ingewikkelde relaties tussen meerdere verschillende variabelen te ontrafelen, waaronder ionentransport, samenstelling, activeringsenergie (de hoeveelheid energie die nodig is om een ​​chemische reactie op gang te brengen) en geleidbaarheid, waardoor de ontwikkeling van een nieuwe reeks mogelijk wordt gemaakt. van richtlijnen voor het ontwerp van SSE’s. De onderzoekers hebben de ontwikkelings- en prestatietrends van SSE’s in verschillende materiaalklassen al geïdentificeerd, evenals prestatieknelpunten voor elke klasse SSE’s.

De DDSE is ook ontworpen met een gebruiksvriendelijke interface zodat andere batterij- en materiaalwetenschappers buiten het oorspronkelijke team deze zelf kunnen updaten en gebruiken.