Un approccio rivoluzionario per le batterie: l’intelligenza artificiale trova la “cura” chimica per il deperimento

Gli scienziati dell’Argonne National Laboratory hanno utilizzato un modello di apprendimento automatico, o machine learning, per identificare nuove “medicine” chimiche in grado di migliorare le prestazioni delle batterie. COme si dà una pastiglia a un malato, allo stesso modo l’idea è fornire additivi chimici alle batterie.

Addestrando il modello su un piccolo set di dati, il team è stato in grado di prevedere combinazioni chimiche efficaci che potrebbero potenziare una tecnologia di batterie ad alta tensione.

“Trovando la giusta ‘prescrizione’ attraverso il machine learning, gli scienziati possono assicurarsi che le batterie funzionino al meglio, aprendo la strada a soluzioni energetiche più efficienti e durature”, hanno dichiarato i ricercatori in un comunicato stampa. Dopo aver addestrato il loro modello su un set di dati iniziale di 28 additivi, gli scienziati sono stati in grado di prevedere le prestazioni di 125 nuove combinazioni. Questo metodo ha permesso loro di evitare un processo sperimentale che stimano avrebbe richiesto dai quattro ai sei mesi.

“L’idea tradizionale è che servono molti dati per addestrare un modello di apprendimento automatico,” ha aggiunto Hieu Doan, uno scienziato computazionale di Argonne. “Ma il nostro lavoro dimostra che non servono molti dati per addestrare un modello di previsione accurato. Serve solo un buon set di dati per farlo correttamente.”

Batterie LMNO2

La sfida della decomposizione e l’approccio rivoluzionario

La ricerca si è concentrata su un tipo di batteria noto come LNMO, composto da litio, nichel, manganese e ossigeno. Queste batterie offrono una maggiore capacità energetica e non richiedono cobalto, un materiale con limitazioni nella catena di approvvigionamento. Tuttavia, le batterie LNMO operano a un’alta tensione, quasi 5 volt, che supera il limite di stabilità della maggior parte degli elettroliti.

“Le batterie dei cellulari e le singole celle dei veicoli elettrici operano tipicamente a bassa tensione, circa 4 volt. Ma una batteria LNMO che opera a 5 volt supera di gran lunga il limite di stabilità di qualsiasi elettrolita noto,” ha spiegato il comunicato stampa. “Questo presenta anche numerose sfide, perché l’elettrolita e il catodo si trovano in uno stato altamente energizzato che può portare alla decomposizione,” ha aggiunto Chen Liao, un chimico di Argonne e scienziato senior presso l’Università di Chicago.

Per ovviare a questo problema, gli scienziati utilizzano additivi per elettroliti. Un additivo efficace si decompone durante i cicli iniziali della batteria per formare un’interfaccia stabile sugli elettrodi. Questo strato riduce la resistenza e la degradazione, migliorando le prestazioni della batteria. Identificare un additivo adatto tra centinaia di possibilità è un processo lungo con i metodi tradizionali. Il team di Argonne ha sviluppato un modello di machine learning per collegare la struttura chimica di un additivo al suo effetto sulle prestazioni della batteria.

Doan ha paragonato il processo a un’inferenza basata sull’osservazione. “Come possiamo descrivere queste molecole in modo da poter usare questo descrittore per fare una previsione sulle prestazioni?” ha dichiarato. Il modello è stato progettato per stabilire una connessione tra la struttura chimica degli additivi e il loro impatto sulla funzione della batteria. Addestrando il modello su un set selezionato di 28 additivi, il sistema ha imparato a riconoscere le caratteristiche molecolari associate a determinate metriche della batteria, come la resistenza e la capacità energetica. Ha quindi applicato queste conoscenze per esaminare 125 nuovi candidati, identificando diversi additivi che hanno migliorato le prestazioni della batteria rispetto a quelli nel set di dati iniziale. Questo uso del machine learning, in combinazione con la scienza sperimentale, presenta un metodo rivoluzionario per la scoperta di nuovi materiali.

Questa applicazione mostra quali siano le prospettive di applicazione della Ai nella chimica: può effettuare confronti teorici in modo molto più rapido rispetto all’uomo, trovando soluzioni con una velocità che l’essere umano non può avere.