用大數據方法協(xié)助研發(fā)下一代電池電解液

發(fā)現新的、強大的電解質(zhì)是為電動(dòng)汽車(chē)、手機、筆記本電腦和電網(wǎng)規模儲能設計下一代電池的主要瓶頸之一。

最穩定的電解質(zhì)并不總是最導電的。最高效的電池并不總是最穩定的。等等。

“電極必須同時(shí)滿(mǎn)足非常不同的特性。他們總是相互沖突，“在芝加哥大學(xué)普利茲克分子工程學(xué)院 （UChicago PME） 的 Amanchukwu 實(shí)驗室工作的 Eric 和 Wendy Schimdt 人工智能科學(xué)博士后研究員 Ritesh Kumar 說(shuō)。

Kumar 是發(fā)表在《材料化學(xué)》上的一篇新論文的第一作者，該論文將人工智能和機器學(xué)習應用于工作。該論文概述了一個(gè)新的框架，用于尋找分子，這些分子可以最大限度地利用構成理想電池電解質(zhì)的三個(gè)成分——離子電導率、氧化穩定性和庫侖效率。

該小組從鋰離子電池研究早期的 250 篇研究論文中匯編而成的數據集中提取，使用 AI 來(lái)統計他們所謂的不同分子的“eScore”。eScore 平衡了這三個(gè)標準，確定了滿(mǎn)足所有三個(gè)條件的分子。

“一種特性中的冠軍分子不是另一種特性中的冠軍分子，”Kumar 的首席研究員、芝加哥大學(xué) PME Neubauer Family 分子工程助理教授 Chibueze Amanchukwu 說(shuō)。

他們已經(jīng)測試了他們的工藝，使用 AI 來(lái)識別一種性能與市場(chǎng)上最好的電解質(zhì)一樣好的分子，這在通常依賴(lài)于試錯法的領(lǐng)域中取得了重大進(jìn)步。

“電解質(zhì)優(yōu)化是一個(gè)緩慢且具有挑戰性的過(guò)程，研究人員經(jīng)常求助于試錯法來(lái)平衡多組分混合物中的競爭特性，”未參與這項研究的西北大學(xué)化學(xué)與生物工程助理教授 Jeffrey Lopez 說(shuō)?！斑@些類(lèi)型的數據驅動(dòng)型研究框架對于幫助加速新電池材料的開(kāi)發(fā)以及利用人工智能驅動(dòng)的科學(xué)和實(shí)驗室自動(dòng)化的進(jìn)步至關(guān)重要?！?/p>

電池的音樂(lè )

人工智能為科學(xué)家在實(shí)驗室中測試發(fā)現了有前途的候選者，從而減少了他們在死胡同和錯誤開(kāi)始上浪費的時(shí)間、精力和資源。芝加哥大學(xué) PME 的研究人員已經(jīng)在使用 AI 來(lái)幫助開(kāi)發(fā)癌癥治療、免疫療法、水處理方法、量子材料和其他新技術(shù)。

鑒于可以制造電池電解質(zhì)的理論分子數為 1060，或者后面有 60 個(gè) 0 的 1，則可以從數十億個(gè)非啟動(dòng)者中標記可能的贏(yíng)家的技術(shù)為研究人員提供了巨大的優(yōu)勢。

“我們不可能通過(guò)數億種化合物說(shuō)，'哦，我認為我們應該研究這個(gè)，'”Amanchukwu 說(shuō)。

Amanchukwu 將 AI 用于研究與在線(xiàn)聽(tīng)音樂(lè )進(jìn)行了比較。

想象一下，一個(gè) AI 對特定人的音樂(lè )品味進(jìn)行了訓練，這些品質(zhì)的組合會(huì )融入他們自己的好歌個(gè)人 eScore。新的電解質(zhì)研究創(chuàng )造了相當于 AI 的 AI，它可以遍歷現有的播放列表，并一首歌一首地預測這個(gè)人是否會(huì )喜歡它。下一步將是一個(gè) AI，它可以創(chuàng )建一個(gè)它認為人們會(huì )喜歡的歌曲播放列表，這是一個(gè)微妙但重要的概念調整。

最后一步，也是 Amanchukwu 實(shí)驗室 AI 研究的目標，將是可以編寫(xiě)音樂(lè )的 AI，或者在這種情況下設計一個(gè)滿(mǎn)足所有給定參數的新分子。

平面設計的怪癖

從 2020 年開(kāi)始，該團隊開(kāi)始手動(dòng)整理 AI 的訓練數據。

“目前的數據集有數千種潛在的電解質(zhì)，我們從跨越 50 多年的研究文獻中提取，”Kumar 說(shuō)。

他們必須手動(dòng)輸入數據的原因之一不是來(lái)自化學(xué)，而是來(lái)自平面設計。

當研究人員撰寫(xiě)論文和期刊以雜志格式排列它們時(shí)，團隊轉換為 eScores 的數字通常會(huì )在圖像中找到。這些是 jpeg 或 .png 插圖、圖表、圖表和其他圖形，它們在文本中運行，但不是文本本身的一部分。

大多數使用研究論文進(jìn)行訓練的大型語(yǔ)言模型只是閱讀文本，這意味著(zhù)芝加哥大學(xué) PME 團隊將在未來(lái)一段時(shí)間內手動(dòng)輸入訓練數據。

“即使是今天的模型也確實(shí)難以從圖像中提取數據，”Amanchukwu 說(shuō)。

盡管訓練數據非常龐大，但這只是第一步。

“我不想找到已經(jīng)在我的訓練數據中的分子，”Amanchukwu 說(shuō)?！拔蚁朐诜浅２煌幕瘜W(xué)空間中尋找分子。因此，我們測試了這些模型在看到以前從未見(jiàn)過(guò)的分子時(shí)的預測能力。

該團隊發(fā)現，當一個(gè)分子在化學(xué)上與訓練數據中的分子相似時(shí)，AI 會(huì )高精度地預測它能制造出多好的電解質(zhì)。它努力標記不熟悉的材料，這標志著(zhù)該團隊在尋求使用 AI 設計下一代電池的下一個(gè)挑戰。