В исследовании, опубликованном в Cell Reports Physical Science, команда NJIT под руководством профессора Дибакара Датты успешно применила методы генеративного искусственного интеллекта для быстрого открытия новых пористых материалов, способных революционизировать многовалентные ионные аккумуляторы. Эти аккумуляторы, использующие большое количество таких элементов, как магний, кальций, алюминий и цинк, предлагают многообещающую и экономичную альтернативу литий-ионным батареям, которые сталкиваются с глобальными проблемами поставок и экологичности.

В отличие от традиционных литий-ионных аккумуляторов, которые основаны на ионах лития, несущих только один положительный заряд, в многовалентных ионных батареях используются элементы, ионы которых несут два или даже три положительных заряда. Это означает, что многовалентно-ионные аккумуляторы потенциально могут накапливать значительно больше энергии, что делает их весьма привлекательными для будущих решений по хранению энергии.

Однако больший размер и больший электрический заряд многовалентных ионов затрудняют их эффективное размещение в материалах аккумуляторов - препятствие, непосредственно устраняемое новым исследованием команды NJIT, основанным на искусственном интеллекте.

"Одним из самых больших препятствий было не отсутствие многообещающих химических составов аккумуляторов - это была абсолютная невозможность протестировать миллионы комбинаций материалов", - сказал Датта. "Мы обратились к генеративному искусственному интеллекту как к быстрому и систематическому способу разобраться в этом огромном ландшафте и выявить несколько структур, которые действительно могли бы сделать многовалентные батареи практичными.

"Такой подход позволяет нам быстро изучить тысячи потенциальных кандидатов, значительно ускоряя поиск более эффективных и устойчивых альтернатив литий-ионной технологии".

Чтобы преодолеть эти препятствия, команда NJIT разработала новый подход с использованием двойного искусственного интеллекта: вариационный автоэнкодер Crystal Diffusion (CDVAE) и тонко настроенную модель большого языка (LLM). Вместе эти инструменты искусственного интеллекта быстро исследовали тысячи новых кристаллических структур, что ранее было невозможно с помощью традиционных лабораторных экспериментов.

Модель CDVAE была обучена на обширных наборах данных об известных кристаллических структурах, что позволило ей предложить совершенно новые материалы с разнообразными структурными возможностями. Тем временем LLM был настроен на работу с материалами, наиболее близкими к термодинамической стабильности, что имеет решающее значение для практического синтеза.

"Наши инструменты искусственного интеллекта значительно ускорили процесс обнаружения, в результате чего были обнаружены пять совершенно новых пористых структур из оксида переходного металла, которые демонстрируют замечательные перспективы", - сказал Датта. "Эти материалы имеют большие открытые каналы, идеально подходящие для быстрого и безопасного перемещения этих громоздких многовалентных ионов, что является важным прорывом для батарей следующего поколения".

Команда проверила свои структуры, созданные искусственным интеллектом, с помощью квантово-механического моделирования и тестов на стабильность, подтвердив, что материалы действительно могут быть синтезированы экспериментально и обладают большим потенциалом для применения в реальном мире.

Датта подчеркнул более широкие последствия их подхода, основанного на искусственном интеллекте: "Это больше, чем просто открытие новых материалов для аккумуляторов - речь идет о создании быстрого, масштабируемого метода для изучения любых передовых материалов, от электроники до решений для экологически чистой энергетики, без длительных проб и ошибок".

Получив эти обнадеживающие результаты, Датта и его коллеги планируют сотрудничать с экспериментальными лабораториями для синтеза и тестирования материалов, разработанных на основе искусственного интеллекта, что еще больше расширит границы в направлении коммерчески жизнеспособных многовалентных ионных аккумуляторов.