جایگزین لیتیوم با کمک هوش مصنوعی در راه است

پژوهشگران موسسه فناوری نیوجرسی (NJIT) با استفاده از هوش مصنوعی موفق به شناسایی پنج ماده جدید شدند که می‌توانند جایگزینی ارزان‌تر، ایمن‌تر و قدرتمندتر برای لیتیوم در نسل آینده باتری‌ها باشند. این مواد نوظهور که از عناصر فراوان‌تری مانند منیزیم، کلسیم، آلومینیوم و روی بهره می‌برند نویدبخش تحولی اساسی در ذخیره‌سازی انرژی هستند.

عبور از چالش‌های لیتیوم-یون با کمک هوش مصنوعی

با افزایش نگرانی‌ها درباره منابع محدود لیتیوم، هزینه‌های بالای استخراج آن و پیامد‌های زیست‌محیطی باتری‌های لیتیوم-یون پژوهشگران در تلاش‌اند تا گزینه‌های جایگزینی برای این فناوری بیابند. در این راستا تیمی به سرپرستی دیباکار داتااز NJIT در مطالعه‌ای که در نشریه Cell Reports Physical Science منتشر شده، از مدل‌های هوش مصنوعی زایشی (Generative AI) بهره گرفته تا مواد جدیدی را برای باتری‌های یونی چندظرفیتی (Multivalent-ion Batteries) شناسایی کنند.

باتری‌های چندظرفیتی؛ آینده ذخیره‌سازی انرژی

باتری‌های یونی چندظرفیتی برخلاف باتری‌های لیتیوم-یون که یون‌هایی با بار مثبت یک‌تایی (تک‌ظرفیتی) دارند، از یون‌هایی با بار دو یا سه‌تایی استفاده می‌کنند. این ویژگی به آنها امکان می‌دهد انرژی بسیار بیشتری ذخیره کنند و به گزینه‌ای امیدوارکننده برای ذخیره‌سازی انرژی در آینده تبدیل شوند.

با این حال یکی از چالش‌های این فناوری جابجایی سخت‌تر این یون‌های بزرگ‌تر و با بار بیشتر درون ساختار‌های متداول باتری است. به همین دلیل یافتن موادی با ساختار مناسب برای انتقال موثر این یون‌ها اهمیت بالایی دارد؛ مسئله‌ای که هوش مصنوعی در این پژوهش برای حل آن به کار گرفته شد.

استفاده از هوش مصنوعی زایشی برای شناسایی مواد نو

به گزارش scince daily داتا در این‌باره می‌گوید: مشکل اصلی ما کمبود ترکیب‌های شیمیایی امیدبخش نبود، بلکه غیرممکن بودن بررسی میلیون‌ها ترکیب به روش‌های سنتی بود. به همین دلیل از هوش مصنوعی زایشی استفاده کردیم تا سریع و سیستماتیک بتوانیم ساختار‌های مطلوب را شناسایی کنیم.

به گفته وی این رویکرد باعث شد هزاران ماده‌ی بالقوه به‌سرعت غربال شوند و روند کشف جایگزین‌های مؤثر و پایدار برای باتری‌های لیتیوم-یون به‌طور چشمگیری تسریع یابد.

مدل ترکیبی CDVAE و LLM

تیم تحقیقاتی NJIT برای این منظور رویکردی دوگانه را طراحی کرد که متشکل از مدل رمزگذار خودبازگشتی با انتشار بلور (Crystal Diffusion Variational Autoencoder - CDVAE) و یک مدل بزرگ زبانی (LLM) بهینه‌سازی‌شده بود.

CDVAE با آموزش بر داده‌های ساختار بلور‌های شناخته‌شده توانست ساختار‌های نوینی با قابلیت‌های متنوع پیشنهاد دهد. از سوی دیگر LLM وظیفه انتخاب ساختار‌هایی را داشت که از نظر ترمودینامیکی پایدارتر و در نتیجه قابلیت سنتز بالاتری دارند.

کشف پنج ساختار نوین با عملکرد بالا

در نتیجه این فرآیند پنج ساختار نو از اکسید‌های فلزات واسطه با ساختار متخلخل و کانال‌های باز بزرگ شناسایی شد. این ساختار‌ها به طور خاص برای عبور سریع و ایمن یون‌های چندظرفیتی طراحی شده‌اند و می‌توانند نقش مهمی در توسعه نسل آینده باتری‌ها ایفا کنند.

این ساختار‌ها با استفاده از شبیه‌سازی‌های کوانتومی و آزمون‌های پایداری مورد ارزیابی قرار گرفتند و نتایج نشان داد که امکان سنتز آنها در شرایط واقعی وجود دارد.

فراتر از باتری‌ها؛ انقلابی در کشف مواد نوین

داتا با اشاره به اهمیت این دستاورد می‌گوید: این فقط کشف چند ماده جدید برای باتری نیست؛ ما روشی سریع و مقیاس‌پذیر برای کشف هر نوع ماده پیشرفته از الکترونیک گرفته تا انرژی پاک ارائه کرده‌ایم؛ بدون نیاز به آزمون و خطای سنتی.

او افزود که تیمش در مرحله بعد با آزمایشگاه‌های تجربی همکاری خواهد کرد تا مواد شناسایی‌شده را در مقیاس عملی سنتز کرده و قدمی مهم به‌سوی تولید تجاری باتری‌های یونی چندظرفیتی برداشته شود.

انتهای پیام/