В начале этого года исследователи из Университета Карнеги — Меллона провели серию экспериментов с использованием роботизированной системы, цель которых заключалась в генерации электролитов, способных обеспечить более быструю зарядку литий-ионных аккумуляторов. Это направление критически важно для устранения одного из главных препятствий на пути повсеместного внедрения электромобилей.
Система, состоящая из автоматизированных насосов, клапанов и измерительных приборов, получившая название Clio, смешивала различные растворители, соли и химические компоненты. Затем она измеряла, насколько полученный раствор соответствует ключевым параметрам работы батареи. Эти результаты передавались системе машинного обучения, получившей имя Dragonfly, которая, используя полученные данные, предлагала новые химические комбинации, способные показать лучший результат.
В итоге система представила шесть составов электролитов, которые превзошли стандартный образец, когда исследователи Карнеги поместили их в небольшие тестовые ячейки. Об этом сообщается в новой статье, опубликованной в журнале Nature Communications. Лучший из предложенных электролитов продемонстрировал 13-процентное улучшение по сравнению с эталонной ячейкой.
Разработка более совершенных электролитов является залогом повышения производительности, безопасности и снижения стоимости аккумуляторов. Ускоренная зарядка особенно важна для повышения привлекательности электромобилей и грузового транспорта, поскольку это может существенно сократить время, проводимое на зарядных станциях.
В последние годы научные лаборатории все чаще объединяют автоматизированные системы с программным обеспечением машинного обучения, которое выявляет закономерности в данных для оптимизации решения поставленных задач. Ученые используют эти методики для идентификации перспективных материалов, например, для твердотельных электролитов, солнечных фотоэлектрических элементов и электрохимических катализаторов. В этой сфере появилось и несколько стартапов, стремящихся коммерциализировать такой подход, включая Chemify и Aionics.
Исторически поиск новых материалов основывался на догадках, обоснованных предположениях и методе проб и ошибок. Однако это чрезвычайно трудоемкий и долгий процесс, учитывая колоссальное количество возможных веществ и комбинаций, что часто уводит исследователей по ложному пути.
По словам Вэнката Висванатана, доцента Карнеги — Меллона, одного из авторов статьи в Nature Communications и соучредителя/главного ученого Aionics, в случае с ингредиентами электролита «можно комбинировать их миллиардами способов». Он сотрудничал с Джеем Уиттакером, директором Института инноваций в области энергетики имени Уилтона Скотта и вторым главным исследователем проекта, а также с другими учеными университета, чтобы изучить потенциал робототехники и машинного обучения в этой области.
Преимущество таких систем, как Clio и Dragonfly, заключается в их способности стремительно перебирать гораздо больше вариантов, чем это под силу человеку, и систематически применять полученные знания.
Висванатан отмечает, что Dragonfly не обладает встроенными знаниями о химии или аккумуляторах, поэтому ее предложения минимально обременены предубеждениями — за исключением того, что исследователи задают первую исходную смесь. Далее система перебирает широкий спектр комбинаций: от незначительных усовершенствований исходного состава до совершенно неординарных решений, последовательно приближаясь к сочетанию ингредиентов, которое максимально соответствует заданной цели.
В экспериментах с батареями команда Карнеги — Меллона искала электролит, способный сократить время перезарядки. Электролитный раствор обеспечивает перенос ионов — атомов с чистым зарядом, возникающим из-за потери или приобретения электрона — между двумя электродами в батарее. Во время разряда ионы лития образуются на отрицательном электроде (аноде) и движутся через раствор к положительному электроду (катоду), где принимают электроны. При зарядке процесс происходит в обратном направлении.
Один из ключевых показателей, который измеряла и стремилась оптимизировать Clio, — это «ионная проводимость», то есть легкость, с которой ионы перемещаются в растворе. Этот параметр напрямую влияет на скорость, с которой аккумулятор может быть заряжен.
Однако дополнительная сложность коммерческих электролитов заключается в том, что они должны демонстрировать хорошие результаты по целому ряду критериев, включая общее количество циклов жизни, выходную мощность и безопасность. При этом улучшение одного параметра часто достигается за счет ухудшения других.
В дальнейшей работе исследователи Карнеги — Меллона планируют ускорить роботизированные эксперименты, усовершенствовать инструменты машинного обучения и проводить испытания с учетом нескольких целей одновременно, а не одного изолированного показателя производительности.
Общая надежда заключается в том, что автоматизация и машинное обучение смогут радикально ускорить открытие следующего поколения прорывных материалов, что поможет миру получить более совершенные аккумуляторы, более эффективные фотоэлементы и многое другое на фоне глобальной гонки за снижение выбросов парниковых газов.
