Tým z americké univerzity Carnegie Mellon použil automatizovaný systém a software pro strojové učení k vývoji rychle se nabíjejících elektrolytů. Ty jsou podle MIT Technology Review zásadní pro rychlejší rozvoj elektromobilů.
Zkraje roku výzkumníci z Carnegie Mellon použili robotický systém k provedení desítek experimentů, jejichž cílem bylo vytvořit elektrolyty, které by umožnily rychlejší nabíjení lithium-iontových baterií a odstranily tak jednu z hlavních překážek bránících širokému rozšíření elektromobilů, píše MIT Technology Review.
Systém automatických čerpadel, ventilů a přístrojů, známý jako Clio, smíchal dohromady různá rozpouštědla, soli a další chemikálie a poté měřil, jak se roztok chová v kritických kritériích baterií. Tyto výsledky pak byly vloženy do systému strojového učení, známého jako Dragonfly, který na základě těchto údajů navrhl různé kombinace chemikálií, které by mohly fungovat ještě lépe.
Podle nového článku v časopise Nature Communications systém nakonec vytvořil šest roztoků elektrolytu, které překonaly standardní roztok, když je výzkumníci z Carnegie Mellon umístili do malých testovacích článků. Nejlepší z nich vykazoval 13% zlepšení oproti nejvýkonnějšímu základnímu bateriovému článku.
Zrychlí se nabíjení elektromobilů?
Vývoj lepších elektrolytů má zásadní význam pro zlepšení výkonu, bezpečnosti a snížení nákladů na baterie. Rychlejší nabíjení baterií je obzvláště důležité pro zvýšení atraktivity elektromobilů a nákladních vozidel, protože může zmírnit nepříjemné dlouhé prodlevy u nabíjecích stanic.
V posledních letech výzkumné laboratoře stále častěji spojují automatizované systémy se softwarem pro strojové učení, který identifikuje datové vzorce pro zlepšení v určených úlohách, a vyvíjejí tak materiály ideální pro konkrétní aplikace. Vědci využili tyto metody k identifikaci slibných materiálů pro elektrolyty v pevné fázi, solární fotovoltaické články a elektrochemické katalyzátory. Vzniklo také několik start-upů, které tento přístup komerčně využívají, včetně společností Chemify a Aionics.
V minulosti výzkumníci v oblasti objevování materiálů vymýšleli a testovali možnosti pomocí kombinace předtuch, informovaných spekulací a pokusů a omylů. Je to však obtížný a časově náročný proces už jen vzhledem k obrovskému množství možných látek a jejich kombinací, které mohou výzkumníky zavést na mnoho falešných cest.
AI výzkum rychlejší než ten lidský
V případě složek elektrolytů „je můžete míchat a kombinovat miliardami způsobů,“ říká Venkat Viswanathan, docent na Carnegie Mellon, spoluautor článku v Nature Communications a spoluzakladatel a hlavní vědecký pracovník společnosti Aionics. Spolupracoval s Jayem Whitacrem, ředitelem univerzitního Institutu Wiltona E. Scotta pro energetické inovace a spoluřešitelem projektu, spolu s dalšími výzkumníky z Carnegie, aby prozkoumali, jak by robotika a strojové učení mohly pomoci.
Příslibem systémů, jako jsou Clio a Dragonfly, je to, že dokáží rychle zpracovat širší škálu možností než lidští výzkumníci a systematicky aplikovat to, co se naučí.
Dragonfly není vybaven informacemi o chemii nebo bateriích, takže do svých návrhů nevnáší mnoho předsudků kromě toho, že výzkumníci vyberou první směs, říká Viswanathan. Odtud prochází širokou škálou kombinací, od mírných vylepšení původních až po zcela nestandardní návrhy, a zaměřuje se na směs přísad, která poskytuje stále lepší a lepší výsledky vzhledem k naprogramovanému cíli.
Pomůže automatizace a strojové učení
V případě experimentů s bateriemi hledal tým Carnegie Mellon elektrolyt, který by urychlil dobu dobíjení baterií. Roztok elektrolytu pomáhá přepravovat ionty – neboli atomy s čistým nábojem v důsledku ztráty nebo zisku elektronu – mezi dvěma elektrodami v baterii. Během vybíjení se na záporné elektrodě, tzv. anodě, vytvářejí ionty lithia, které proudí roztokem směrem ke kladné elektrodě, tzv. katodě, kde získávají elektrony. Při nabíjení je tento proces opačný.
Jedním z klíčových ukazatelů, které společnost Clio měřila a snažila se optimalizovat, je „iontová vodivost“, neboli jak snadno ionty proudí roztokem, což přímo ovlivňuje rychlost dobíjení baterie.
Další výzvou pro komerční elektrolyty však je, že musí dobře fungovat v celé řadě ukazatelů, včetně celkové životnosti, výkonu a bezpečnosti, a zlepšení v jedné oblasti může být často na úkor jiných.
Výzkumníci z Carnegie Mellon doufají, že se jim do budoucna podaří urychlit robotické experimenty, zdokonalit nástroje strojového učení a provádět experimenty s více cíli, nikoli s jediným výkonnostním záměrem.
Velkou nadějí je, že automatizace a strojové učení by mohly urychlit objevování další sady průlomových materiálů, což by pomohlo zajistit lepší baterie, účinnější fotovoltaiku a další technologie v rámci celosvětové snahy snížit emise skleníkových plynů.
Autor: Jiří Böhm
