در این پروژه محققانی از دانشگاه ویسکانسین-مدیسون، مؤسسه تحقیقاتی اسکریپس، دانشگاه کالیفرنیا، برکلی و دانشگاه می‌سی‌سی‌پی جنوبی در زمینه یادگیری ماشینی، سنتز شیمیایی و تعیین مشخصات مواد با هم همکاری کردند.
نتایج تحقیقات آنها در قالب مقاله‌ای با عنوان Machine learning-accelerated discovery of heat-resistant polysulfates for electrostatic energy storage در مجله Nature Energy به چاپ رسید.
یی لیو، دانشمند ارشد آزمایشگاه برکلی که رهبری این مطالعه را بر عهده داشت، گفت: برای فناوری‌های انرژی تجدیدپذیر مقرون‌به‌صرفه و قابل اعتماد، ما به مواد خازن با عملکرد بهتری نسبت به آنچه امروز در دسترس است نیاز داریم. این روش غربالگری به ما کمک می‌کند تا این مواد را پیدا کنیم، کاری که شبیه به یافتن سوزن در انبار کاه است.
تقاضا برای خازن‌های فیلمی برای استفاده در کاربردهای با دمای بالا و توان بالا مانند وسایل نقلیه الکتریکی، هوانوردی الکتریکی و هوا فضا به سرعت در حال رشد است. خازن‌های فیلمی نیز اجزای ضروری در اینورترها هستند که انرژی خورشیدی و باد را به جریان متناوب تبدیل می‌کنند که می‌تواند توسط شبکه برق شهری استفاده شود.
باتری‌ها در کاربردهای انرژی تجدیدپذیر توجه زیادی را به خود جلب می‌کنند، اما خازن‌های فیلمی الکترواستاتیک نیز مهم هستند. این دستگاه‌ها از یک ماده عایق تشکیل شده‌اند که بین دو ورق فلزی رسانا قرار گرفته است. در حالی که باتری‌ها از واکنش‌های شیمیایی برای ذخیره و آزادسازی انرژی در دوره‌های طولانی استفاده می‌کنند، خازن‌ها از میدان‌های الکتریکی اعمال‌شده برای شارژ و تخلیه انرژی بسیار سریع‌تر استفاده می‌کنند.
خازن‌های فیلمی برای تنظیم کیفیت توان در انواع مختلف سیستم‌ها استفاده می‌شوند. پلیمرها به دلیل وزن سبک، انعطاف‌پذیری و استقامت در میدان‌های الکتریکی اعمال‌شده، به عنوان مواد عایق در خازن‌های فیلمی مناسب هستند. با این حال، پلیمرها توانایی محدودی برای تحمل دماهای بالا در بسیاری از کاربردها دارند. گرمای شدید می‌تواند خواص عایق پلیمرها را کاهش داده و باعث تخریب آنها شود.
دانشمندان به طور سنتی به دنبال پلیمرهای با کارایی بالا از طریق آزمون و خطا، سنتز چند گزینه در یک زمان و سپس مشخص کردن خواص آنها بوده‌اند.
هی لی، محقق فوق دکتری در آزمایشگاه برکلی گفت: به دلیل نیاز مبرم به خازن‌های بهتر، سرعت این رویکرد برای یافتن مولکول‌های امیدوارکننده از صدها هزار احتمال، بسیار کند است.
برای تسریع در کشف گزینه‌های مناسب، این تیم تحقیقاتی مجموعه‌ای از مدل‌های یادگیری ماشینی معروف به شبکه‌های عصبی را توسعه داده و آموزش دادند تا کتابخانه‌ای نزدیک به ۵۰۰۰۰ پلیمر را برای ترکیبی بهینه از خواص، از جمله توانایی مقاومت در برابر دماهای بالا و میدان‌های الکتریکی قوی، غربال کنند. آنها در نهایت چند گزینه مناسب را یافتند و سپس برای سنتز آنها اقدام کردند.
انتهای پیام/