پایان عصر لیتیوم؟ هوش مصنوعی به میدان آمد

به گزارش صنایع نو، زمانی که محققان مایکروسافت در سال 2023 نوع جدیدی از مواد را شناسایی کردند که میتوانست مقدار لیتیوم مورد نیاز در باتریهای قابل شارژ را به طور چشمگیری کاهش دهد، این کشف مانند شانه زدن یک کوه کاه در زمانی رکوردشکن احساس شد. زیرا کشف آنها از میان 32 میلیون امکان شروع شد و با کمک هوش مصنوعی، در عرض 80 ساعت به یک نامزد امیدوارکننده رسید.

اکنون محققان در آزمایشگاه ملی شمال غربی اقیانوس آرام (PNNL) قصد دارند این ماده نوآورانه، NaxLi3−xYCl6، را در یک ساختار باتری سنتز و آزمایش کنند. این یکی از چندین ترکیب شیمیایی باتری تولید شده توسط هوش مصنوعی است که راه خود را به دنیای واقعی باز میکند.

آزمایش مایکروسافت زمانی آغاز شد که محققان میخواستند نشان دهند هوش مصنوعی چگونه میتواند مشکل سوزن در کاهدان را برای یافتن مواد و مواد شیمیایی جدید مفید حل کند. آنها تصمیم گرفتند به دنبال نامزدهای جدید برای الکترولیت یک باتری قابل شارژ باشند، زیرا یک الکترولیت بهتر میتواند باتریها را همزمان ایمنتر کرده و عملکرد را بهبود بخشد. این را ناتان بیکر، رهبر پروژه در مایکروسافت برای Azure Quantum Elements - برنامهای برای شتاب بخشیدن به تحقیقات شیمی و مواد از طریق پلتفرمهای محاسباتی پیشرفته و هوش مصنوعی مایکروسافت - میگوید.

بیکر میگوید: «هدف ما این بود که یکی از این مدلهای هوش مصنوعی را بگیریم و وعده شتاب دادن به کشف علمی را نشان دهیم – الک کردن 32.5 میلیون نامزد مواد و نشان دادن اینکه میتوانیم این کار را در عرض چند ساعت، نه سال، انجام دهیم.» مدل آنها، که چارچوب M3GNet نام دارد، شبیهسازیهای دینامیک مولکولی را برای ارزیابی خواص مواد، مانند نفوذ اتمی، تسریع کرد.

ابتدا، محققان مایکروسافت از مدل خواستند تا عناصر شیمیایی جدید را در ساختارهای بلوری شناخته شده در طبیعت قرار دهد و مشخص کند کدام مولکولهای حاصل پایدار خواهند بود. این مرحله، 32 میلیون نامزد اولیه را به نیم میلیون کاهش داد. سپس هوش مصنوعی آن مواد را بر اساس قابلیتهای شیمیایی لازم برای کارکرد یک باتری غربال کرد که این تعداد را به تنها 800 مورد تقلیل داد. از آنجا، محاسبات سنتی و تخصص انسانی به سبک قدیمی، ماده نوآورانهای را شناسایی کرد که میتوانست در یک باتری عمل کند و 70 درصد لیتیوم کمتری نسبت به باتریهای قابل شارژ در استفاده تجاری امروزی مصرف نماید.

نقش هوش مصنوعی در طراحی باتریهای نسل بعدی

تیم مایکروسافت تنها نیست. در سراسر جهان، محققان مشغول تلاش برای توسعه طرحهای نسل بعدی برای جایگزینی یا بهبود باتریهای لیتیوم-یونی هستند که از مقادیر زیادی عناصر نادر، گرانقیمت و بهدستآوردنشان مشکل استفاده میکنند. طراحیهای جدید باتری میتوانند از مواد فراوانتر استفاده کنند، خطر آتشسوزی ناشی از الکترولیت‌های مایع مبتنی بر لیتیوم را کاهش دهند و انرژی بیشتری را در فضای کوچکتری فشرده کنند. ترکیبات شیمیایی برای انجام این کار در آن بیرون منتظر کشف شدن هستند و محققان به طور فزایندهای از هوش مصنوعی و یادگیری ماشین برای انجام کار غربالگری کوهی از دادهها بهره میگیرند.

دیباکر داتا، استاد دانشکده در مؤسسه فناوری نیوجرزی، که در ماه آگوست مطالعهای منتشر کرد که از هوش مصنوعی برای شناسایی پنج ماده نامزد برای باتریهایی که از لیتیوم-یون بهتر عمل میکنند استفاده کرد، میگوید: «ما به هوش مصنوعی یاد میدهیم که چگونه یک دانشمند مواد باشد.» تیم او بر روی باتری چندظرفیتی کار میکند: باتری که از یونهای چندظرفیتی استفاده میکند که میتوانند چندین سطح بار را حمل کنند، در مقابل بار تکظرفیتی حمل شده توسط یک باتری لیتیومی.

این به باتری ظرفیت ذخیره انرژی بیشتری میدهد، اما به این معنی نیز هست که باید با یونهای بزرگتر از عناصر بالاتر در جدول تناوبی، مانند منیزیم و کلسیم کار کرد. داتا میگوید این یونهای بزرگتر لزوماً بدون ترک خوردن یا شکستن عناصر، در طراحیهای موجود باتری جا نمیگیرند. مطالعه جدید او از چیزی استفاده کرد که او آن را «رمزگذار خودکار واریاسیونی انتشار کریستال» (CDVAE) مینامد که میتواند مواد جدید را پیشنهاد دهد، و یک مدل زبانی بزرگ (LLM) که میتوانست موادی را پیدا کند که در دنیای واقعی پایدارترین باشند. از میان میلیونها امکان، این روش پنج ماده متخلخل با اندازه مناسب که میتوانستند این کار را انجام دهند پیدا کرد.

هدایت یک مدل هوش مصنوعی در شکار خود در فضای تقریباً بینهایت مواد ممکن، نقطه عطف در این زمینه است. آستین سندک، استاد دانشگاه استنفورد که الگوریتمهایی برای کمک به هوش مصنوعی برای کشف مواد جدید باتری توسعه داده است، میگوید کلید استفاده از آن به عنوان یک شریک تحقیقاتی، یافتن حد وسط بین مدلی که سریع کار میکند و مدلی که نتایج کاملاً دقیقی ارائه میدهد است.

سندک میگوید: «شما باید هم در پهنا و هم در عمق حرکت کنید.» به گفته او، عمق، زیرا طراحی این چیزها به دانش علمی عمیق زیادی در مورد خواص، مهندسی و شیمی نیاز دارد، و پهنا، زیرا باید آن دانش را در یک فضای شیمیایی بینهایت اعمال کنید. «این جایی است که وعده هوش مصنوعی مطرح میشود.»

جستجوی فناوری باتری هوش مصنوعی در IBM

محققان در IBM رویکردی مبتنی بر هوش مصنوعی را برای شناسایی نامزدهای جدید الکترولیت در پیش گرفتهاند که شامل شناسایی فرمولاسیونهای شیمیایی با هدایت یونی بسیار بالاتر از نمکهای لیتیوم مورد استفاده در باتریهای فعلی بود. یک الکترولیت معمولی میتواند شامل شش تا هشت ماده از جمله نمکها، حلالها و افزودنیها باشد، و تقریباً غیرممکن است که همه ترکیبات را بدون هوش مصنوعی در نظر گرفت.

برای محدود کردن میدان، تیم IBM مدلهای بنیادین شیمیایی را توسعه داد که بر روی میلیاردها مولکول آموزش دیده بودند. یانگ-های نا، عضو ارشد کارکنان تحقیقاتی در IBM Research میگوید: «آنها زبان پایه شیمی را ضبط میکنند. تیم او سپس آن مدلها را با دادههای مرتبط با باتری آموزش میدهد تا هوش مصنوعی بتواند خواص مهم برای کاربردهای باتری را در مقیاسهایی از مولکولهای منفرد گرفته تا کل یک دستگاه پیشبینی کند. نا این کار را در مقالهای که در ماه آگوست در NPJ Computational Materials منتشر شد توصیف کرد.

نا میگوید از آنجایی که این کار به بررسی ترکیبات جدید مواد موجود میپردازد تا استفاده از هوش مصنوعی برای اختراع مواد جدید عجیب و غریب، پتانسیل آن برای کمک به ساخت باتری فردا بسیار امیدوارکنندهتر است. تیم IBM اکنون با یک سازنده خودروی برقی فاشنشده برای طراحی الکترولیتهای با عملکرد بالا برای باتریهای با ولتاژ بالا همکاری میکند.

استفاده IBM از هوش مصنوعی برای باتریها تنها به شکار مواد امیدوارکننده محدود نمیشود. معمولاً، هنگامی که هوش مصنوعی یک ماده جدید امیدوارکننده را نشان میدهد، مرحله بعدی این است که آزمایشگران آن ماده را سنتز کنند، در آزمایشگاه روی آن آزمایش کنند و روزی آن را در یک دستگاه واقعی آزمایش کنند. یادگیری ماشین (ML) نیز در این مرحله آزمایش به محققان کمک خواهد کرد.

IBM در حال آزمایش قابلیت کاربرد دنیای واقعی ساختارهای جدید باتری با ساختن دوقلوهای دیجیتال آنها است - مدلهای مجازی که به محققان اجازه میدهند پیشبینی کنند که یک ترکیب شیمیایی خاص باتری در طول عمری متشکل از چرخههای قدرت بیشمار چگونه تخریب میشود. تئودورو لاینو، عضو برجسته کارکنان تحقیقاتی در IBM Research میگوید این مدل که با همکاری استارتآپ باتری Sphere Energy توسعه یافته است، میتواند رفتار بلندمدت یک باتری را در تنها 50 چرخه قدرت مدلسازی شده روی دوقلوی دیجیتال پیشبینی کند.

باتریهای محاسبات کوانتومی

فاز بعدی تحقیقات باتری هوش مصنوعی، کوانتومی است. همانطور که مایکروسافت و IBM به سمت پتانسیل رایانههای کوانتومی پیش میروند، هر دو وعده آن را برای مدلسازی شیمی پیچیده بدون هیچ میانبر یا مصالحهای میبینند. نا میگوید در حالی که هوش مصنوعی فعلی یک ابزار crucial برای بررسی شیمی باتری است، مرحله بعدی - برای مثال، مدلسازی کل پکهای باتری خودروهای برقی و در نظر گرفتن تمام متغیرهایی که در دنیای واقعی با آنها مواجه میشوند - به قدرت محاسبات کوانتومی نیاز دارد.

همانطور که بیکر بیان میکند: «ما میدانیم که کامپیوترهای کلاسیک در تولید پاسخهای دقیق برای مواد پیچیده، مولکولهای پیچیده، مواد پیچیده مشکل دارند. بنابراین هدف ما در حال حاضر این است که در واقع نحوه تولید دادهها را با آوردن کوانتوم به حلقه تغییر دهیم تا دادههای با دقت بالاتری برای آموزش مدلهای ML داشته باشیم.