Самые стабильные электролиты не всегда являются самыми проводящими. Самые эффективные аккумуляторы не всегда являются самыми стабильными. И так далее.

"Электроды должны одновременно обладать совершенно разными свойствами. Они всегда конфликтуют друг с другом", - сказал Ритеш Кумар, научный сотрудник Эрика и Венди Шимдт, работающий в лаборатории Аманчукву в Школе молекулярной инженерии Притцкера Чикагского университета (UChicago PME).

Кумар является первым автором новой статьи, опубликованной в журнале Chemistry of Materials, в которой используется искусственный интеллект и машинное обучение. В статье излагается новая концепция поиска молекул, которые максимально увеличивают три компонента, образующих идеальный электролит батареи: ионную проводимость, окислительную стабильность и кулоновскую эффективность.

Основываясь на наборе данных, собранном из 250 исследовательских работ, относящихся к самым ранним дням исследований литий-ионных аккумуляторов, группа использовала искусственный интеллект для подсчета того, что они называют "показателем e" для различных молекул. Оценка e уравновешивает эти три критерия, выявляя молекулы, которые ставят галочки во всех трех полях.

"Молекула-чемпион по одному свойству не является молекулой-чемпионом по другому", - сказал главный исследователь Кумара, доцент кафедры молекулярной инженерии Чибуэзе Аманчукву.

Они уже протестировали свой процесс, используя искусственный интеллект для идентификации одной молекулы, которая работает так же хорошо, как и лучшие электролиты на рынке, что является крупным достижением в области, которая часто основывается на методе проб и ошибок.

"Оптимизация электролита - медленный и сложный процесс, в ходе которого исследователи часто прибегают к методу проб и ошибок, чтобы сбалансировать конкурирующие свойства многокомпонентных смесей", - сказал доцент кафедры химической и биологической инженерии Северо-Западного университета Джеффри Лопес, который не принимал участия в исследовании. "Эти типы исследовательских систем, основанных на данных, имеют решающее значение для ускорения разработки новых материалов для аккумуляторов и использования достижений науки с использованием искусственного интеллекта и автоматизации лабораторий".

Музыка батареек

Искусственный интеллект выявляет многообещающих кандидатов для тестирования учеными в лаборатории, чтобы они тратили меньше времени, энергии и ресурсов на тупиковые ситуации и фальстарты. Исследователи UChicago PME уже используют искусственный интеллект для разработки методов лечения рака, иммунотерапии, методов очистки воды, квантовых материалов и других новых технологий.

Учитывая, что теоретическое число молекул, из которых могли бы получиться электролиты для батарей, составляет 10 в 60-й степени, или единицу с 60 нулями после нее, технология, которая может выделить вероятных победителей из миллиардов тех, кто не начал, дает исследователям огромное преимущество.

"Для нас было бы невозможно просмотреть сотни миллионов соединений, чтобы сказать: "О, я думаю, нам следует изучить это", - сказал Аманчукву.

Аманчукву сравнил использование искусственного интеллекта в исследованиях с прослушиванием музыки онлайн.

Представьте себе искусственный интеллект, обученный музыкальному вкусу конкретного человека, сочетанию качеств, которые входят в его личную "оценку e" для хороших песен. Новое исследование electrolite создало аналог искусственного интеллекта, который может просматривать существующий плейлист и, песня за песней, предсказывать, понравится ли это человеку. Следующим шагом станет искусственный интеллект, который сможет создавать плейлист из песен, которые, по его мнению, понравятся пользователю, - тонкая, но важная концептуальная настройка.

Заключительным шагом - и целью исследований ИИ в лаборатории Amanchukwu - станет искусственный интеллект, который сможет писать музыку или, в данном случае, сконструировать новую молекулу, отвечающую всем заданным параметрам.

Аманчукву в прошлом году получил награду Google Research Scholar Award за то, что помог лаборатории приблизиться к этому заключительному шагу: по-настоящему генерирующему электролитному ИИ.

Особенность графического дизайна

Команда начала обрабатывать обучающие данные для искусственного интеллекта вручную, начиная с 2020 года.

"Текущий набор данных содержит тысячи потенциальных электролитов, которые мы извлекли из литературы, охватывающей более 50 лет исследований", - сказал Кумар.

Одна из причин, по которой им приходится вводить данные вручную, связана не с химией, а с графическим дизайном.

Когда исследователи пишут статьи, а журналы размещают их в журнальном формате, цифры, которые команда переводит в баллы e, обычно находятся на изображениях. Это иллюстрации в формате jpeg или .png, диаграммы, графические изображения и другая графика, которые размещаются внутри текста, но не являются частью самого текста.

Большинство крупных языковых моделей, обучающихся с помощью исследовательских работ, просто читают текст, что означает, что команда UChicago PME будет вручную вводить данные обучения в течение некоторого времени.

"Даже современные модели действительно испытывают трудности с извлечением данных из изображений", - сказал Аманчукву.

Несмотря на то, что обучающие данные огромны, это только первый шаг.

"Я не хочу находить молекулу, которая уже была в моих тренировочных данных", - сказал Аманчукву. "Я хочу искать молекулы в самых разных химических пространствах. Итак, мы проверили, насколько хорошо эти модели предсказывают, когда они видят молекулу, которую они никогда раньше не видели".

Команда обнаружила, что когда молекула была химически похожа на молекулу из обучающих данных, искусственный интеллект с высокой точностью предсказывал, насколько хорошим электролитом она станет. Он с трудом распознавал незнакомые материалы, что стало следующей задачей команды в стремлении использовать искусственный интеллект для разработки аккумуляторов следующего поколения.