همانطور که جوامع به سمت استراتژی های انرژی پاک تر حرکت می کنند، روی آوردن به وسایل نقلیه الکتریکی و منابع انرژی تجدیدپذیر مانند باد و خورشید اهمیت فزاینده ای پیدا می کند.
به گزارش مجله نانو، این تغییرات خطر آتش گرفتن باتری را نیز افزایش می دهد. برای کاهش این خطر و بهبود عملکرد باتری، نسل بعدی باتری‌ها احتمالاً به الکترولیت‌های جدید حالت جامد متکی خواهند بود. تحقیقات در این زمینه به دلیل تعداد زیاد گزینه ها و پارامترهای مرتبط با مواد چالش برانگیز بوده است، اما پیشرفت در یادگیری ماشینی می تواند استراتژی های لازم را ارائه دهد.
گروهی از دانشمندان مواد یک پایگاه داده پویا از صدها الکترولیت حالت جامد با استفاده از روش‌های مبتنی بر هوش مصنوعی ایجاد کرده‌اند تا تحقیقات را به طور مؤثرتری هدایت کنند.
بسیاری از باتری های قابل شارژ اغلب از حلال های آلی به عنوان الکترولیت استفاده می کنند. این مواد، معمولا مایع یا ژل، حرکت یون ها را بین الکترودهای مثبت و منفی تسهیل می کنند. اگرچه حلال های آلی رسانایی خوب و انتقال یون کارآمد را ارائه می دهند، اما خطرات ایمنی و عملکرد قابل توجهی دارند. به همین دلیل، محققان برای مدت طولانی به دنبال جایگزینی الکترولیت بودند.
حلال های آلی می توانند قابل اشتعال باشند و واکنش های حرارتی ایجاد کنند که می تواند باعث آتش سوزی یا انفجار شود. علاوه بر این، آنها در معرض تخریب شیمیایی هستند، که در طول زمان می‌تواند منجر به تشکیل گاز و تخریب الکترولیت شود و عملکرد و طول عمر باتری را کاهش دهد. علاوه بر این، محدوده ولتاژی که باتری می تواند در آن کار کند در حلال های آلی محدود است.
یکی یک جایگزین امیدوارکننده، “باتری های تمام حالت جامد” (ASSBs) هستند که جایگزین حلال های آلی مایع یا ژل سنتی با الکترولیت جامد می شوند. این نه تنها خطر نشت و انفجار را از بین می برد، بلکه چگالی انرژی بالاتر و زمان شارژ سریع تر را نیز فراهم می کند. با این حال، کشف “الکترولیت های حالت جامد” (SSEs) با رسانایی یونی بالا به دلیل ساختار پیچیده آنها و رابطه بین ساختار و عملکرد چالش برانگیز بوده است. تا به امروز، تنها الکترولیت‌های حالت جامد با انتقال آهسته یون شناسایی شده‌اند که مانع از توسعه باتری‌های حالت جامد می‌شوند.
هائو لی، دانشمند مواد در مؤسسه تحقیقات مواد پیشرفته دانشگاه توهوکو (AIMR) و یکی از محققان این پروژه، گفت: چیزی که وضعیت را بدتر می کند، انتخاب تعداد زیادی الکترولیت حالت جامد است. صدها گزینه وجود دارد و پرداختن به این مقدار گزینه و ردیابی بسیاری از پارامترهای تنظیم عملکرد یک چالش واقعی برای محققان است.
برای حل این مشکل، محققان یک پایگاه داده پویا به نام پایگاه داده دینامیکی الکترولیت های حالت جامد (DDSE) ایجاد کرده اند. این پایگاه داده در ابتدا حاوی بیش از 600 الکترولیت حالت جامد بود که طیف وسیعی از دمای عملیاتی و شامل کاتیون ها و آنیون های مختلف را پوشش می داد. این پایگاه داده برای بررسی روابط بین متغیرهای مختلف استفاده می شود.
یک پایگاه داده پویا را می توان به راحتی به روز کرد و مرتباً تغییر داد و امکان تغییرات و افزودن به داده های موجود را در زمان واقعی فراهم می کند. در این حالت، DDSE به طور مداوم با داده های آزمایشی جدید به روز می شود و به روز رسانی های هفتگی را دریافت می کند.
برای غلبه بر محدودیت‌های تحلیل انسانی و هزینه‌های بالای محاسبات نظری، محققان از یادگیری ماشینی برای DDSE استفاده کردند. بدون یادگیری ماشین، محققان در مواجهه با سیستم‌های بزرگ اتم‌ها و پیچیدگی واکنش‌های شیمیایی مشکل داشتند.
با استفاده از یادگیری ماشین، محققان می توانند پیش بینی های بهتری در مورد مواد جدید الکترولیت حالت جامد با تلاش محاسباتی و مالی کمتر انجام دهند و در زمان مورد نیاز برای طراحی مواد صرفه جویی کنند. این روش به آنها اجازه داد تا روابط پیچیده بین متغیرهای مختلف از جمله انتقال یون، ترکیب، انرژی فعال سازی و هدایت را کشف کنند. این اطلاعات امکان توسعه دستورالعمل های جدید برای طراحی الکترولیت های حالت جامد را فراهم می کند.