هوش مصنوعی فرمول باتریهای آینده را نوشت
پژوهشگران دانشگاه شیکاگو موفق شدهاند با استفاده از هوش مصنوعی، گام مهمی در توسعه باتریهای نسل آینده بردارند. این تیم تحقیقاتی روشی مبتنی بر یادگیری ماشین طراحی کرده است که میتواند بهجای انتخاب صرف مواد تشکیلدهنده، فرمول کامل الکترولیتهای باتری را بهطور خودکار تولید کند؛ دستاوردی که میتواند روند کشف و توسعه باتریهای پیشرفته را به شکل چشمگیری تسریع کند.
به گزارش interestingengineering، الکترولیتها یکی از مهمترین اجزای باتریها به شمار میروند و وظیفه انتقال یونها میان الکترودها را بر عهده دارند. برخلاف تصور عمومی، الکترولیتها ترکیبات سادهای نیستند بلکه از مخلوطهای پیچیدهای شامل نمکها، حلالها و افزودنیهای مختلف تشکیل میشوند که بهطور مداوم با یکدیگر تعامل دارند و عملکرد باتری را تحت تأثیر قرار میدهند.
در سالهای اخیر هوش مصنوعی برای شناسایی مواد مناسب در طراحی باتریها به کار گرفته شده است اما اکنون پژوهشگران دانشکده مهندسی مولکولی پریتزکر در دانشگاه شیکاگو این فناوری را یک گام فراتر بردهاند. آنها مدلی توسعه دادهاند که میتواند کل فرمولاسیون الکترولیت را طراحی کند. نتایج این پژوهش در نشریه علمی JACS Au منتشر شده است.
این پروژه در ادامه توسعه پلتفرم هوش مصنوعی آزمایشگاه آمانچوکو با نام ElectrolyteGPT انجام شده است. به گفته جائمین کیم، نویسنده نخست این مطالعه الکترولیتهای مورد نیاز برای باتریهای نسل آینده باید بهطور همزمان مجموعهای از ویژگیهای پیچیده و گاه متناقض را برآورده کنند. توانایی مدل جدید در تحلیل شرایط مختلف باعث شده است بتواند الکترولیتهایی را طراحی کند که بهصورت همزمان اهداف متعددی از جمله رسانایی الکتریکی بالا، پایداری شیمیایی مناسب، ویسکوزیته مطلوب و سایر ویژگیهای کلیدی را تامین کنند.
طراحی کامل فرمول بهجای انتخاب مواد اولیه
برخلاف بسیاری از سامانههای هوش مصنوعی موجود که تنها مواد تشکیلدهنده را پیشنهاد میکنند مدل جدید قادر است تمامی جزئیات فرمولاسیون را تعیین کند. این جزئیات شامل غلظت مواد نسبت اختلاط ترکیبات و سایر پارامترهای مهم در ساخت الکترولیت است.
هوش مصنوعی در این فرآیند با درنظر گرفتن اهداف عملکردی مشخص ترکیبهای مختلف را طراحی کرده و بهترین گزینهها را پیشنهاد میدهد. سپس این فرمولهای پیشنهادی در آزمایشگاه ساخته و مورد آزمایش قرار میگیرند.
نتایج آزمایشها نشان داد چندین الکترولیت طراحیشده توسط هوش مصنوعی عملکردی همسطح با بهترین سامانههای باتری فلز لیتیوم موجود در جهان دارند. چیبوز آمانچوکو استاد دانشگاه شیکاگو و سرپرست این پژوهش اعلام کرد این دستاورد گامی مهم در مسیر یافتن الکترولیتهایی است که در آینده بتوانند از استانداردهای فعلی نیز فراتر بروند.
پژوهشگران تاکید کردند که دستیابی به عملکردی مشابه پیشرفتهترین الکترولیتهای کنونی نشاندهنده توانایی مدل در بازتولید نتایجی در سطح متخصصان انسانی است. با این حال آنها معتقدند هنوز بهینهسازیهای بیشتری لازم است تا این فناوری بتواند بهطور مداوم ترکیباتی برتر از نمونههای موجود ارائه کند.
فضایی تقریبا بینهایت برای کشف مواد جدید
یکی از بزرگترین چالشهای طراحی باتریها، تعداد بسیار زیاد مولکولهای بالقوه است. برآوردها نشان میدهد تعداد مولکولهای ممکن برای استفاده در الکترولیتهای باتری حدود ۱۰ به توان ۶۰ است؛ عددی که حتی از تعداد ستارگان موجود در جهان قابل مشاهده نیز بیشتر است.
این رقم تنها به مولکولهای منفرد مربوط میشود و اگر ترکیبهای مختلف این مواد با یکدیگر نیز در نظر گرفته شود فضای جستوجو تقریبا بینهایت خواهد شد. بررسی دستی چنین تعداد عظیمی از گزینهها برای کاربردهایی مانند باتری، داروسازی یا مواد پیشرفته عملا غیرممکن است و به زمانی بسیار فراتر از عمر انسان نیاز دارد.
جائمین کیم در اینباره گفت: امکان بررسی کامل فضای شیمیایی الکترولیتها وجود ندارد، اما هوش مصنوعی مولد میتواند به ما کمک کند وارد بخشهای ناشناخته این فضا شویم و حتی مولکولهای کاملا جدیدی را پیشنهاد دهیم که تاکنون هرگز سنتز نشدهاند.
هوش مصنوعی؛ ابزاری برای کشف مواد ناشناخته
این سامانه قادر است با سرعتی بسیار بیشتر از توانایی انسان هزاران ترکیب نظری را تولید و ارزیابی کند. سپس بر اساس الگوهایی که از دادههای آموزشی آموخته است گزینههایی را انتخاب میکند که بیشترین احتمال موفقیت را برای کاربرد مورد نظر دارند.
پس از آن دانشمندان این پیشنهادها را با همان روشهای آزمایشگاهی متداول مورد بررسی قرار میدهند تا صحت پیشبینیهای هوش مصنوعی مشخص شود.
چالش دادههای نامناسب و راهحل پژوهشگران
یکی از مشکلات اصلی تیم تحقیقاتی این بود که بیشتر مدلهای هوش مصنوعی مولد موجود برای کشف دارو آموزش دیدهاند. در نتیجه، هنگامی که از آنها خواسته میشود مولکولهای جدید طراحی کنند اغلب ترکیباتی شبیه دارو تولید میکنند که برای استفاده در باتریها مناسب نیستند.
آمانچوکو توضیح داد که استفاده از پایگاههای داده عمومی و متون علمی رایج مدل را به سمت تولید مولکولهای دارویی سوق میدهد. برای حل این مشکل پژوهشگران مجموعه دادهای اختصاصی و هدفمند از ترکیبات مرتبط با الکترولیتهای باتری ایجاد کردند.
این پایگاه داده تخصصی باعث شد دانش مدل به حوزه الکترولیتها محدود شود. در نتیجه زمانی که از سامانه خواسته میشود حلالهای جدید طراحی کند بهجای پیشنهاد مولکولهای دارویی، ترکیباتی ارائه میدهد که از نظر شیمیایی برای استفاده در باتریها مناسب هستند.
پژوهشگران معتقدند این فناوری میتواند مسیر توسعه نسل جدید باتریهای پرظرفیت، ایمنتر و بادوامتر را کوتاهتر کند و در آینده به ابزاری کلیدی برای کشف مواد پیشرفته در حوزه انرژی تبدیل شود.
انتهای پیام/
