Naukowcy z Tokyo University of Science (TUS), Nagoya Institute of Technology i Chalmers University of Technology opracowali przełomowy model uczenia maszynowego, który pozwala na optymalizację składu chemicznego akumulatorów sodowo-jonowych. Dzięki temu rozwiązaniu, badacze wypracowali idealny skład Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2, który zapewnia najwyższą gęstość energetyczną – jedną z najistotniejszych cech akumulatorów. Szczegóły można przeczytać w czasopiśmie Journal of Materials Chemistry A.
Idealny skład akumulatorów sodowo-jonowych? Sztuczna inteligencja ma receptę
Tlenki warstwowe metali przejściowych zawierające sód (NaMeO2) są dobrymi materiałami na dodatnie elektrody ogniw sodowo-jonowych, które oferują wyjątkową gęstość energii i pojemność. Istnieje jednak pewne zastrzeżenie. W przypadku tlenków warstwowych wielopierwiastkowych złożonych z kilku metali przejściowych, liczba możliwych kombinacji sprawia, że znalezienie optymalnego składu jest niezwykle trudne. Nawet niewielkie zmiany w wyborze i proporcji metali przejściowych mogą powodować wyraźne zmiany w morfologii kryształu i wpływać na wydajność baterii.
Czytaj też: Nowe akumulatory EV ładują się 10 razy szybciej niż standardowe
Zespół starał się zautomatyzować badanie składu pierwiastków w różnych materiałach NaMeO2 typu O3. W tym celu najpierw zgromadzili bazę danych 100 próbek z półogniw sodowych typu O3 o 68 różnych składach, zebranych w ciągu 11 lat przez grupę prof. Shinichiego Komaby z TUS.
Prof. Shinichi Komaba z TUS mówi:
Baza danych zawierała skład próbek NaMeO2, przy czym Me jest metalem przejściowym, takim jak Mn, Ti, Zn, Ni, Zn, Fe i Sn, a także górne i dolne granice napięcia testów ładowania-rozładowania, początkową pojemność rozładowania, średnie napięcie rozładowania i utrzymanie pojemności po 20 cyklach.
Naukowcy następnie wykorzystali tę bazę danych do wytrenowania modelu obejmującego kilka algorytmów uczenia maszynowego, a także optymalizację bayesowską, aby przeprowadzić wydajne wyszukiwanie. Celem tego modelu było poznanie, w jaki sposób właściwości, takie jak napięcie robocze, utrzymanie pojemności (czas życia) i gęstość energii, są powiązane ze składem tlenków warstwowych NaMeO2, oraz przewidzenie optymalnego stosunku pierwiastków potrzebnych do osiągnięcia pożądanej równowagi między tymi właściwościami.
Zastosowany model uczenia maszynowego przewidział, że Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2 będzie optymalnym składem do osiągnięcia najwyższej gęstości energii, która jest jedną z najważniejszych cech materiałów elektrodowych. Aby zweryfikować dokładność przewidywań modelu, uczeni zsyntetyzowali próbki o tym składzie i zmontowali standardowe ogniwa guzikowe, aby przeprowadzić testy ładowania i rozładowania. Zmierzone wartości były w większości zgodne z przewidywanymi, co podkreśla dokładność modelu i jego potencjał do eksploracji nowych materiałów akumulatorowych.
Wykorzystanie algorytmów uczenia maszynowego w nauce o materiałach staje się coraz popularniejsze, ponieważ pozwala naukowcom ograniczyć liczbę potrzebnych eksperymentów oraz czas na analizę nowych materiałów. Strategia ta może przyspieszyć prace nad ogniwami nowej generacji, co mogłoby zmienić oblicze przechowywania energii na całej linii – od produkcji energii odnawialnej, przez pojazdy elektryczne, po elektronikę użytkową, taką jak laptopy i smartfony. Dodatkowo, sukcesy w zastosowaniu uczenia maszynowego w badaniach nad bateriami mogą posłużyć jako wzór do tworzenia innowacyjnych materiałów w innych dziedzinach nauki o materiałach, otwierając drogę do szeroko pojętej innowacji w tej branży.