Naukowcy zwrócili się do sztucznej inteligencji, aby rozwiązać problem, który od dziesięcioleci denerwuje naukowców z materiałów: jak skutecznie odkryć nowe materiały, które mogą przewyższyć panującą baterię litowo-jonową. Przełomowe badanie opublikowane w Komórki raporty fizyczne Ujawnia nową nową metodologię opartą na AI, która zidentyfikowała już pięciu nowych kandydatów materialnych, potencjalnie przyspieszając przejście do przyszłości po litach z trwałymi, bezpieczniejszymi i bardziej ekologicznymi bateriami.
Świetny wąskie gardło akumulatora: igła w stogu siana
Mimo całej swojej wszechobecności akumulatory litowo-jonowe mają ograniczenia. Poleganie na metalach rzadkich, takich jak lit i kobalt, stanowi znaczące ryzyko łańcucha dostaw i obawy dotyczące środowiska. Ponadto technologia zbliża się do płaskowyżu pod względem gęstości energii i wydajności. Naukowcy od dawna teoretyzowali, że materiały znane jako Tlenki metali przejściowych (TMO) mieć ogromną obietnicę. Ich wszechstronne struktury krystaliczne i wysoka przewodność jonowa sprawiają, że są idealnymi kandydatami do akumulatorów, które wykorzystują obfite, wielowartościowe jony, takie jak cynk, magnez i aluminium zamiast litu.
Wyzwanie jest jednak monumentalne. Liczba możliwych struktur TMO, łącząca różne elementy w różnych stosunkach i konfiguracjach, jest astronomicznie ogromna. Badanie ich za pomocą tradycyjnych metod eksperymentalnych, a nawet standardowych technik obliczeniowych, takich jak teoria funkcjonalna gęstości (DFT), jest klasycznym problemem „igły w stogu siana” – na pewno powolnym i drogim. To wąskie gardło, które nowe badania mają na celu zerwanie z wyrafinowanym, podwójnym ramy generatywnej AI.
Podwójne ramy AI dla przyspieszonego odkrycia
Zamiast polegać na jednym modelu, naukowcy zaprojektowali system synergiczny, w którym do eksploracji przestrzeni chemicznej zastosowano dwa różne rodzaje generatywnych sztucznej inteligencji. Takie podejście zapewnia bardziej kompleksowe i solidne poszukiwanie nowych materiałów.
Pierwszym składnikiem jest Autoencoder wariantu dyfuzji kryształów (CDVAE). Ten model został zaprojektowany jako kreatywny odkrywca. Został przeszkolony w masowym zestawie danych ponad 44 000 znanych struktur TMO, co pozwala jej poznać podstawowe „zasady” tworzenia stabilnych kryształów. Następnie CDVAE wykorzystuje tę wiedzę do generowania szerokiej różnorodności nowych, prawdopodobnych struktur krystalicznych – z których wiele nigdy wcześniej nie widziano. W badaniu wygenerował początkową pulę 10 000 kandydatów, pokazując swoją moc w badaniu szerokiej gamy nowych konfiguracji.
Drugi komponent jest dopracowany LARGE Model języka (LLM)w szczególności wersja modelu Meta LAMA-3.1. Podczas gdy zwykle kojarzymy LLM z tekstem, naukowcy sprytnie dostosowali go do języka chemii. Przekształcili złożone struktury krystaliczne w tokenizowane sekwencje tekstu, które LLM może przetwarzać. Siła modelu nie polega na szerokiej eksploracji, ale precyzji. Wyróżnia się w generowaniu struktur, które są bardzo zbliżone do równowagi termodynamicznej, co oznacza, że są one wysoce stabilne i bardziej prawdopodobne, że są syntezy w laboratorium. Model ten wytworzył również 10 000 struktur, ale były one skoncentrowane w węższym, bardziej stabilnym obszarze przestrzeni chemicznej.
Po wygenerowaniu tych dziesiątek tysięcy kandydatów zostały one przekazane do trzeciego modelu AI, nazywane narzędziem do uczenia maszynowego Wyrównaniektóry działał jako szybki filtr przesiewowy. Szybko przewidział kluczowe właściwości dla każdej struktury – takie jak jej energia formacyjna, przerwa pasma i „energia nad kadłubem” (kluczowa metryka stabilności) – pozwalając badaczom odrzucić niecierpliwych kandydatów i skupić się tylko na najbardziej opłacalnych.
Porównanie twórców AI: stabilność kontra nowość
Jednym z najbardziej fascynujących wyników badania była wyraźna różnica w materiałach generowanych przez dwa modele. LLM uzyskał znacznie wyższy odsetek struktur, które uznano za stabilne termodynamicznie, z wartością „energii powyżej kadłuba” poniżej progu 0,08 eV/atom. W szczególności 46% jego filtrowanych kandydatów było stabilnych, w porównaniu do zaledwie 15% od CDVAE.
Nie opowiada to jednak całej historii. Podczas gdy kreacje LLM były bardziej stabilne „poza pudełkiem”, CDVAE wyprodukował znacznie szerszy zakres struktur o większej różnorodności strukturalnej. Jego zdolność do generowania materiałów z grupami przestrzeni o niższej symetrii pozwoliło mu znaleźć unikalne konfiguracje, które, choć początkowo mniej stabilne, mogły zrelaksować się do jeszcze głębszego minimum energii niż cokolwiek znalazł LLM. Sugeruje to, że CDVAE jest lepsze do odkrywania prawdziwie nowatorskich faz głębokich energii, które można zsyntetyzować w określonych warunkach nierównowagi.
Kompromis ten jest kluczowy: LLM jest lepszy do znajdowania materiałów, które są łatwe do wykonania, podczas gdy CDVAE są lepsze w znalezieniu potencjalnie przełomowych materiałów, które mogą wymagać bardziej zaawansowanych technik syntezy.
Przełom: pięć nowych TMO dla baterii nowej generacji
Ostateczny triumf projektu pochodzi z modelu CDVAE, który z powodzeniem wygenerował pięć nowych struktur opartych na TMO o właściwościach idealnych do akumulatorów wielowartościowych. Te materiały, w tym kompozycje takie jak Cusn₂of₈ I Ca₄o₂in₂zawierają duże ramy otwartej tunelu, które są niezbędne do umożliwienia większemu jonom na efektywne i bezpieczne poruszanie się przez elektrodę.
Aby potwierdzić żywotność tych odkryć, zespół przeprowadził obliczenia dyspersji fonona na reprezentatywnej strukturze, Ca₄o₂in₂. Wyniki nie wykazały niestabilności sieci, potwierdzając jej dynamiczną stabilność. Mimo że jest uważany za metastabilny, jego struktura jest zdrowa, otwierając drzwi do potencjalnej syntezy. Ten krok potwierdza, że AI nie tylko generuje teoretyczne fantazje, ale fizycznie wiarygodne materiały godne eksperymentalnego pościgu.
