2023 년 Microsoft 연구원 식별 충전식 배터리에 필요한 리튬의 양을 크게 줄일 수있는 새로운 종류의 재료는 기록적인 시간에 건초 더미를 빗질하는 것처럼 느껴졌습니다. 그들의 발견은 3,200 만 개의 가능성으로 시작되었고 인공 지능의 도움으로 80 시간 이내에 유망한 후보를 만들어 냈기 때문입니다.
현재 태평양 북서부 국립 연구소의 연구원 합성 계획 새로운 자료를 테스트하고 NA엑스리3 -xYCL6배터리 설정에서. 그것은 실제 세계로 향하는 여러 AI 생성 배터리 화학 중 하나입니다.
Microsoft의 실험은 연구원들이 AI가 어떻게 바늘에있는 해수 문제를 해결할 수 있는지 보여주기를 원했을 때 시작되었습니다. 유용한 새로운 재료 및 화학 물질 찾기. 그들은 충전식 배터리 전해질에 대한 새로운 후보자를 찾기로 결정했습니다. 더 나은 전해질은 배터리를보다 안전하게 만들 수있는 동시에 성능을 향상시킬 수 있기 때문입니다. 나단 베이커Microsoft의 프로젝트 리더 푸른 양자 요소Microsoft의 고급 컴퓨팅 및 AI 플랫폼을 통해 화학 및 재료 연구를 가속화하는 프로그램.
Baker는“우리의 목표는 이러한 AI 모델 중 하나를 가져 와서 과학적 발견을 가속화하겠다는 약속을 보여주는 것이 었습니다. M3GNET 프레임 워크라고하는 그들의 모델은 분자 역학의 시뮬레이션을 가속화하여 원자 확산 성과 같은 재료의 특성을 평가했습니다.
먼저, Microsoft 연구원들은이 모델에 새로운 화학 요소를 자연에서 알려진 결정질 구조로 삭제하고 어떤 분자가 안정적 일지 결정하는데, 3,200 만 명의 출발 후보를 50 만 명까지 줄이는 단계입니다. 그런 다음 AI는 배터리 작업을 수행하는 데 필요한 화학 능력을 기반으로 해당 재료를 선별했습니다. 배터리 작업을 800으로 잘게 냈습니다. 그곳에서 전통적인 컴퓨팅과 구식 인간 전문 지식은 배터리 내에서 기능하고 오늘날 상업용으로 재유 할 수있는 배터리보다 70 % 적은 리튬을 사용할 수있는 소설 재료를 식별했습니다.
차세대 배터리 설계에서 AI의 역할
Microsoft 팀은 혼자가 아닙니다. 전 세계적으로 연구원들은 많은 양의 희귀하고 비싸고 비싸고 리튬 이온 배터리를 대체하거나 개선하기 위해 차세대 디자인을 개발하려고 노력하고 있습니다. 접합이 어려운 요소. 새로운 배터리 설계는 더 풍부한 재료를 사용하고 리튬 기반 액체 전해질의 화재 위험을 줄이며 더 작은 공간에 더 많은 에너지를 포장 할 수 있습니다. 이를 수행하는 화학은 발견되기를 기다리고 있으며, 연구원들은 AI와 기계 학습을 활용하여 데이터 산을 정렬하는 작업을 수행하고 있습니다.
“우리는 AI 자료 과학자가되는 방법을 가르치고 있습니다. 불타는 Datta뉴저지 기술 연구소 (New Jersey Institute of Technology)의 부교수 공부하다 8 월에 AI를 사용하여 Li- 이온을 능가하는 배터리의 5 가지 후보 재료를 식별했습니다. Datta의 팀은 다중 배터리에서 작업하고 있습니다. 리튬 배터리에 의해 운반되는 단일 충전과 달리 여러 전하 레벨을 운반 할 수있는 다중 이온을 사용하는 배터리를 사용합니다.
이것은 배터리에 더 큰 에너지 저장 용량을 줄 것이지만, 마그네슘과 칼슘과 같은 주기성 테이블에서 더 높은 원소에서 더 큰 이온으로 작동하는 것을 의미합니다. Datta는 이러한 큰 이온이 요소를 갈라 지거나 부러 뜨리지 않으면 서 기존 배터리 설계에 반드시 적합하지 않다고 말했다. 그의 새로운 연구는 그가 새로운 재료를 제안 할 수있는 결정 확산 변형 자동 인코 코더 (CDVAE)와 실제 세계에서 가장 안정적인 재료를 찾을 수있는 큰 언어 모델 (LLM)을 사용했습니다. 수백만의 가능성이있는 풀에서 접근 다섯 개의 다공성 물질을 발견했습니다 일을 할 수있는 올바른 크기.
가능한 재료의 거의 무한한 공간을 통해 사냥에 대한 AI 모델을 안내하는 것이이 필드의 팁 지점입니다. 연구 파트너로 사용하는 열쇠는 빠르게 작동하는 모델과 완벽하게 정확한 결과를 제공하는 모델 사이에 행복한 매체를 찾는 것입니다. 오스틴 센데AI가 새로운 배터리 재료를 발견 할 수 있도록 알고리즘을 개발 한 Stanford University의 교수.
Sendek은“너비와 깊이를 모두 가로 질러야합니다. 깊이는 이러한 것들을 설계하는 데는 속성, 공학 및 화학 및 폭에 대한 많은 과학적 지식이 필요하기 때문에 무한 화학 공간에 그 지식을 적용해야하기 때문입니다. “그것이 AI의 약속이 들어오는 곳입니다.”
IBM에서 AI 배터리 기술 검색
IBM의 연구원들은 새로운 전해질 후보현재 배터리에 사용되는 리튬 염보다 훨씬 높은 전기 전도도를 갖는 화학 제형을 식별하는 것이 포함되었습니다. 전형적인 전해질에는 염, 용매 및 첨가제를 포함한 6 ~ 8 개의 성분을 포함 할 수 있으며 AI없이 모든 조합을 고려하는 것은 거의 불가능합니다.
IBM 팀은 현장을 휘젓기 위해 수십억의 분자를 훈련시키는 화학 기초 모델을 개발했습니다. “그들은 화학의 기본 언어를 포착합니다 젊은 하이 나IBM Research의 교장 연구 직원. 그런 다음 그녀의 팀은 배터리 관련 데이터로 해당 모델을 훈련시켜 AI가 개별 분자의 스케일로 배터리 응용 프로그램에 대한 중요한 특성을 전체 장치까지 예측할 수 있습니다. NA는 작업을 설명했습니다 NPJ 컴퓨터 재료에 8 월에 출판 된 논문.
이 연구는 이국적인 새로운 재료를 발명하기 위해 AI를 사용하지 않고 기존 재료의 새로운 조합을 조사하기 때문에 내일 배터리를 구축하는 데 도움이 될 수있는 잠재력은 훨씬 더 유망하다고 말했다. IBM 팀은 현재 공개되지 않은 EV 제조업체와 협력하여 고전압 배터리를위한 고성능 전해질을 설계하고 있습니다.
배터리에 IBM의 AI 사용은 유망한 재료의 사냥에만 국한되지 않습니다. 일반적으로 AI가 유망한 새로운 재료를 드러내면 다음 단계는 실험가가 물건을 합성하고 실험실에서 실험하고 하루를 실제 장치에서 테스트하는 것입니다. 머신 러닝 (ML) 은이 테스트 단계에서 연구원들도 도움이 될 것입니다.
IBM은 새로운 배터리 설정의 실제 생존력을 테스트하고 있습니다. 디지털 쌍둥이 구축– 연구원들이 특정 배터리 화학이 수많은 전력주기의 수명에 걸쳐 어떻게 저하 될지 예측할 수있는 상당한 모델. 배터리 시작과 협력하여 개발 된이 모델 구 에너지디지털 트윈을 모델링 한 50 개의 전력 주기로 배터리의 장기 동작을 예측할 수 있다고 말합니다. Teodoro LainoIBM Research의 저명한 연구 직원.
양자 컴퓨팅 배터리
다음 단계 AI 배터리 연구는 양자입니다. Microsoft와 IBM이 양자 컴퓨터의 잠재력을 향해 추진함에 따라, 바로 가기 나 타협없이 복잡한 화학을 모델링하겠다는 약속을 본다. NA는 현재 AI가 배터리 화학을 조사하기위한 중요한 도구이지만, 다음 단계는 예를 들어 전체 EV 배터리 팩을 모형화하고 실제 세계에서 발생하는 모든 변수를 고려하여 양자 컴퓨팅의 힘이 필요할 것이라고 말합니다.
Baker는 다음과 같이 말합니다.“우리는 고전적인 컴퓨터가 복잡한 물질, 복잡한 분자, 복잡한 재료에 대한 정확한 답변을 생성하는 데 문제가 있다는 것을 알고 있습니다. 따라서 현재 우리의 목표는 실제로 양자를 루프로 가져 와서 ML 모델을 훈련시키는 데 더 높은 정확도 데이터를 갖도록 데이터를 생성하는 방식을 변경하는 것입니다.”