發(fā)現(xiàn)新的、強大的電解質(zhì)是為電動汽車、手機、筆記本電腦和電網(wǎng)規(guī)模儲能設(shè)計下一代電池的主要瓶頸之一。

最穩(wěn)定的電解質(zhì)并不總是最導電的。最高效的電池并不總是最穩(wěn)定的。等等。

“電極必須同時滿足非常不同的特性。他們總是相互沖突，“在芝加哥大學普利茲克分子工程學院 （UChicago PME） 的 Amanchukwu 實驗室工作的 Eric 和 Wendy Schimdt 人工智能科學博士后研究員 Ritesh Kumar 說。

Kumar 是發(fā)表在《材料化學》上的一篇新論文的第一作者，該論文將人工智能和機器學習應(yīng)用于工作。該論文概述了一個新的框架，用于尋找分子，這些分子可以最大限度地利用構(gòu)成理想電池電解質(zhì)的三個成分——離子電導率、氧化穩(wěn)定性和庫侖效率。

該小組從鋰離子電池研究早期的 250 篇研究論文中匯編而成的數(shù)據(jù)集中提取，使用 AI 來統(tǒng)計他們所謂的不同分子的“eScore”。eScore 平衡了這三個標準，確定了滿足所有三個條件的分子。

“一種特性中的冠軍分子不是另一種特性中的冠軍分子，”Kumar 的首席研究員、芝加哥大學 PME Neubauer Family 分子工程助理教授 Chibueze Amanchukwu 說。

他們已經(jīng)測試了他們的工藝，使用 AI 來識別一種性能與市場上最好的電解質(zhì)一樣好的分子，這在通常依賴于試錯法的領(lǐng)域中取得了重大進步。

“電解質(zhì)優(yōu)化是一個緩慢且具有挑戰(zhàn)性的過程，研究人員經(jīng)常求助于試錯法來平衡多組分混合物中的競爭特性，”未參與這項研究的西北大學化學與生物工程助理教授 Jeffrey Lopez 說?！斑@些類型的數(shù)據(jù)驅(qū)動型研究框架對于幫助加速新電池材料的開發(fā)以及利用人工智能驅(qū)動的科學和實驗室自動化的進步至關(guān)重要?！?/p>

電池的音樂

人工智能為科學家在實驗室中測試發(fā)現(xiàn)了有前途的候選者，從而減少了他們在死胡同和錯誤開始上浪費的時間、精力和資源。芝加哥大學 PME 的研究人員已經(jīng)在使用 AI 來幫助開發(fā)癌癥治療、免疫療法、水處理方法、量子材料和其他新技術(shù)。

鑒于可以制造電池電解質(zhì)的理論分子數(shù)為 1060，或者后面有 60 個 0 的 1，則可以從數(shù)十億個非啟動者中標記可能的贏家的技術(shù)為研究人員提供了巨大的優(yōu)勢。

“我們不可能通過數(shù)億種化合物說，'哦，我認為我們應(yīng)該研究這個，'”Amanchukwu 說。

Amanchukwu 將 AI 用于研究與在線聽音樂進行了比較。

想象一下，一個 AI 對特定人的音樂品味進行了訓練，這些品質(zhì)的組合會融入他們自己的好歌個人 eScore。新的電解質(zhì)研究創(chuàng)造了相當于 AI 的 AI，它可以遍歷現(xiàn)有的播放列表，并一首歌一首地預測這個人是否會喜歡它。下一步將是一個 AI，它可以創(chuàng)建一個它認為人們會喜歡的歌曲播放列表，這是一個微妙但重要的概念調(diào)整。

最后一步，也是 Amanchukwu 實驗室 AI 研究的目標，將是可以編寫音樂的 AI，或者在這種情況下設(shè)計一個滿足所有給定參數(shù)的新分子。

平面設(shè)計的怪癖

從 2020 年開始，該團隊開始手動整理 AI 的訓練數(shù)據(jù)。

“目前的數(shù)據(jù)集有數(shù)千種潛在的電解質(zhì)，我們從跨越 50 多年的研究文獻中提取，”Kumar 說。

他們必須手動輸入數(shù)據(jù)的原因之一不是來自化學，而是來自平面設(shè)計。

當研究人員撰寫論文和期刊以雜志格式排列它們時，團隊轉(zhuǎn)換為 eScores 的數(shù)字通常會在圖像中找到。這些是 jpeg 或 .png 插圖、圖表、圖表和其他圖形，它們在文本中運行，但不是文本本身的一部分。

大多數(shù)使用研究論文進行訓練的大型語言模型只是閱讀文本，這意味著芝加哥大學 PME 團隊將在未來一段時間內(nèi)手動輸入訓練數(shù)據(jù)。

“即使是今天的模型也確實難以從圖像中提取數(shù)據(jù)，”Amanchukwu 說。

盡管訓練數(shù)據(jù)非常龐大，但這只是第一步。

“我不想找到已經(jīng)在我的訓練數(shù)據(jù)中的分子，”Amanchukwu 說。“我想在非常不同的化學空間中尋找分子。因此，我們測試了這些模型在看到以前從未見過的分子時的預測能力。

該團隊發(fā)現(xiàn)，當一個分子在化學上與訓練數(shù)據(jù)中的分子相似時，AI 會高精度地預測它能制造出多好的電解質(zhì)。它努力標記不熟悉的材料，這標志著該團隊在尋求使用 AI 設(shè)計下一代電池的下一個挑戰(zhàn)。