Une approche de Big Data pour les électrolytes de batterie de nouvelle génération

Découvrir de nouveaux électrolytes puissants est l’un des principaux goulots d’étranglement dans la conception de batteries de nouvelle génération pour les véhicules électriques, les téléphones, les ordinateurs portables et le stockage d’énergie à l’échelle du réseau.

Les électrolytes les plus stables ne sont pas toujours les plus conducteurs. Les batteries les plus efficaces ne sont pas toujours les plus stables. Et ainsi de suite.

“Les électrodes doivent satisfaire des propriétés très différentes en même temps. Ils entrent toujours en conflit les uns avec les autres”, a déclaré Ritesh Kumar, un boursier Eric et Wendy Schimdt en science postdoctoral travaillant dans le laboratoire AManchukwu de l’Université de Chicago Pritzker School of Molecular Engineering (UCHICAGO PME).

Kumar est le premier auteur d’un nouvel article publié dans Chimie des matériaux Cela met l’intelligence artificielle et l’apprentissage automatique au travail. Le papier décrit un nouveau cadre pour trouver des molécules qui maximisent trois composants qui font un électrolyte de batterie idéal – conductivité ionique, stabilité oxydative et efficacité coulombique.

Tirant d’un ensemble de données compilé à partir de 250 articles de recherche remontant aux premiers jours de la recherche sur les batteries au lithium-ion, le groupe a utilisé l’IA pour compenser ce qu’ils appellent «l’escoration» pour différentes molécules. L’escore équilibre ces trois critères, identifiant des molécules qui cochent les trois cases.

“La molécule de champion dans une propriété n’est pas la molécule de champion dans une autre”, a déclaré l’investigateur principal de Kumar, Uchicago PME Neubauer, professeur adjoint de la famille en génie moléculaire Chibueze Amanchukwu.

Ils ont déjà testé leur processus, en utilisant l’IA pour identifier une molécule qui fonctionne ainsi que les meilleurs électrolytes du marché, une avancée majeure dans un domaine qui s’appuie souvent sur des essais et des erreurs.

“L’optimisation de l’électrolyte est un processus lent et difficile où les chercheurs ont fréquemment recours à des essais et à l’erreur pour équilibrer les propriétés concurrentes dans des mélanges multi-composants”, a déclaré Jeffrey Lopez, professeur adjoint de Northwestern University, en génie chimique et biologique, qui n’a pas été impliqué dans la recherche. “Ces types de cadres de recherche axés sur les données sont essentiels pour aider à accélérer le développement de nouveaux matériaux de batterie et à tirer parti des progrès dans les sciences et l’automatisation de laboratoire compatibles avec l’IA.”

La musique des batteries

L’intelligence artificielle a lieu des candidats prometteurs pour que les scientifiques testent en laboratoire afin qu’ils gaspillent moins de temps, d’énergie et de ressources sur des impasses et de faux départs. Les chercheurs d’UCHICAGO PME utilisent déjà l’IA pour aider à développer des traitements contre le cancer, des immunothérapies, des méthodes de traitement de l’eau, des matériaux quantiques et d’autres nouvelles technologies.

Étant donné que le nombre théorique de molécules qui pourraient fabriquer des électrolytes de batterie est de 10⁶⁰ou un avec 60 zéros après cela, une technologie qui peut signaler des gagnants probables de milliards de non-starters donne aux chercheurs un énorme avantage.

“Il aurait été impossible pour nous de passer par des centaines de millions de composés de dire:” Oh, je pense que nous devrions étudier celui-ci “”, a déclaré Amanchukwu.

Amanchukwu a comparé l’utilisation de l’IA dans la recherche pour écouter de la musique en ligne.

Imaginez une IA formée sur le goût musical d’une personne en particulier, la combinaison de qualités qui entrent dans leur propre esclopon personnel pour de bonnes chansons. La nouvelle recherche électrolyte a créé l’équivalent d’une IA qui peut passer par une liste de lecture existante et une chanson de Song, prédire si la personne l’aimera. La prochaine étape sera une IA qui peut créer une liste de lecture de chansons qu’il pense que la personne aimera, un ajustement conceptuel subtil mais important.

La dernière étape – et l’objectif de la recherche sur l’IA du laboratoire Amanchukwu – sera une IA qui peut écrire la musique, ou dans ce cas concevoir une nouvelle molécule, qui répond à tous les paramètres donnés.

Une bizarrerie de conception graphique

L’équipe a commencé à organiser les données de formation de l’IA manuellement à partir de 2020.

“L’ensemble de données actuel a des milliers d’électrolytes potentiels que nous avons extraits de la littérature qui ont duré plus de 50 ans de recherche”, a déclaré Kumar.

L’une des raisons pour lesquelles ils doivent entrer manuellement les données ne proviennent pas de la chimie, mais de la conception graphique.

Lorsque les chercheurs rédigent des articles et des revues les disposent au format de magazine, les chiffres que l’équipe se transforment en esclore se trouvent généralement dans les images. Ce sont les illustrations, graphiques, diagrammes et autres graphiques JPEG ou .png qui fonctionnent dans le texte, mais ne font pas partie du texte lui-même.

La plupart des modèles de langage de grande envergure avec des articles de recherche viennent de lire le texte, ce qui signifie que l’équipe UCHICAGO PME entrera manuellement les données de formation pendant un certain temps.

“Même les modèles aujourd’hui ont vraiment du mal à extraire des données d’images”, a déclaré Amanchukwu.

Bien que les données de formation soient massives, ce n’est que la première étape.

“Je ne veux pas trouver une molécule qui était déjà dans mes données de formation”, a déclaré Amanchukwu. “Je veux rechercher des molécules dans des espaces chimiques très différents. Nous avons donc testé à quel point ces modèles prédisent quand ils voient une molécule qu’ils n’ont jamais vue auparavant.”

L’équipe a constaté que lorsqu’une molécule était chimiquement similaire à celle des données d’entraînement, l’IA a prédit à quel point elle ferait une bonne précision électrolyte avec une grande précision. Il a eu du mal à signaler des matériaux inconnus, marquant le prochain défi de l’équipe dans la quête d’utiliser l’IA pour concevoir des batteries de nouvelle génération.