ИИ находит электролиты для батарей: 58 точек данных

Новая разработка позволяет искусственному интеллекту (ИИ) идентифицировать перспективные электролиты для аккумуляторов, начиная всего с 58 точек данных. Это революционное достижение, особенно актуальное для перспективных, но малоизученных химий аккумуляторов, где сбор большого объема информации традиционными методами занимает месяцы или даже годы.

Исследователи из Прицкеровской школы молекулярной инженерии Чикагского университета (UChicago PME) создали модель активного обучения, которая смогла исследовать виртуальное пространство из миллиона потенциальных электролитов, опираясь на крайне ограниченный набор исходных данных. Это стало возможным благодаря инновационному подходу, где результаты экспериментов с предложенными ИИ компонентами батарей использовались для дальнейшего уточнения модели.

«Часто в литературе мы видим вычислительные прокси в качестве выходных данных, но между вычислительным прокси и реальным экспериментом все еще существует разница. Поэтому мы пошли на риск и довели процесс до реальных экспериментов как конечного результата», — пояснил один из авторов исследования, Райтеш Кумар. Команда не просто полагалась на предсказания ИИ, но и активно тестировала предложенные электролиты, проводя циклы зарядки-разрядки для оценки их долговечности.

Изначальная неточность модели, вызванная малым объемом данных, компенсировалась многократными проверками. Всего было проведено семь этапов активного обучения, в каждом из которых тестировалось около 10 электролитов. В результате ученым удалось выделить четыре новых электролита, которые по своей производительности не уступают современным аналогам.

Разработчики видят дальнейшие перспективы в создании более генеративных моделей ИИ, способных создавать новые молекулы «с нуля», а не только экстраполировать их из существующих баз данных. Это открывает путь к открытию совершенно новых химических конфигураций, которые ранее не могли быть представлены учеными. Кроме того, будущие модели должны учитывать не только производительность (например, срок службы), но и другие критически важные параметры, такие как базовая емкость, безопасность и стоимость, для успешной коммерциализации.

Использование ИИ и машинного обучения в поиске новых материалов позволяет преодолеть когнитивные искажения, присущие исследователям, которые склонны фокусироваться на уже известных перспективных направлениях, а не на неизведанных, но потенциально прорывных областях.