發現新的、強大的電解質是為電動汽車、手機、筆記本電腦和電網規模儲能設計下一代電池的主要瓶頸之一。

最穩定的電解質并不總是最導電的。最高效的電池并不總是最穩定的。等等。

“電極必須同時滿足非常不同的特性。他們總是相互沖突，“在芝加哥大學普利茲克分子工程學院 （UChicago PME） 的 Amanchukwu 實驗室工作的 Eric 和 Wendy Schimdt 人工智能科學博士后研究員 Ritesh Kumar 說。

Kumar 是發表在《材料化學》上的一篇新論文的第一作者，該論文將人工智能和機器學習應用于工作。該論文概述了一個新的框架，用于尋找分子，這些分子可以最大限度地利用構成理想電池電解質的三個成分——離子電導率、氧化穩定性和庫侖效率。

該小組從鋰離子電池研究早期的 250 篇研究論文中匯編而成的數據集中提取，使用 AI 來統計他們所謂的不同分子的“eScore”。eScore 平衡了這三個標準，確定了滿足所有三個條件的分子。

“一種特性中的冠軍分子不是另一種特性中的冠軍分子，”Kumar 的首席研究員、芝加哥大學 PME Neubauer Family 分子工程助理教授 Chibueze Amanchukwu 說。

他們已經測試了他們的工藝，使用 AI 來識別一種性能與市場上最好的電解質一樣好的分子，這在通常依賴于試錯法的領域中取得了重大進步。

“電解質優化是一個緩慢且具有挑戰性的過程，研究人員經常求助于試錯法來平衡多組分混合物中的競爭特性，”未參與這項研究的西北大學化學與生物工程助理教授 Jeffrey Lopez 說。“這些類型的數據驅動型研究框架對于幫助加速新電池材料的開發以及利用人工智能驅動的科學和實驗室自動化的進步至關重要。”

電池的音樂

人工智能為科學家在實驗室中測試發現了有前途的候選者，從而減少了他們在死胡同和錯誤開始上浪費的時間、精力和資源。芝加哥大學 PME 的研究人員已經在使用 AI 來幫助開發癌癥治療、免疫療法、水處理方法、量子材料和其他新技術。

鑒于可以制造電池電解質的理論分子數為 1060，或者后面有 60 個 0 的 1，則可以從數十億個非啟動者中標記可能的贏家的技術為研究人員提供了巨大的優勢。

“我們不可能通過數億種化合物說，'哦，我認為我們應該研究這個，'”Amanchukwu 說。

Amanchukwu 將 AI 用于研究與在線聽音樂進行了比較。

想象一下，一個 AI 對特定人的音樂品味進行了訓練，這些品質的組合會融入他們自己的好歌個人 eScore。新的電解質研究創造了相當于 AI 的 AI，它可以遍歷現有的播放列表，并一首歌一首地預測這個人是否會喜歡它。下一步將是一個 AI，它可以創建一個它認為人們會喜歡的歌曲播放列表，這是一個微妙但重要的概念調整。

最后一步，也是 Amanchukwu 實驗室 AI 研究的目標，將是可以編寫音樂的 AI，或者在這種情況下設計一個滿足所有給定參數的新分子。

平面設計的怪癖

從 2020 年開始，該團隊開始手動整理 AI 的訓練數據。

“目前的數據集有數千種潛在的電解質，我們從跨越 50 多年的研究文獻中提取，”Kumar 說。

他們必須手動輸入數據的原因之一不是來自化學，而是來自平面設計。

當研究人員撰寫論文和期刊以雜志格式排列它們時，團隊轉換為 eScores 的數字通常會在圖像中找到。這些是 jpeg 或 .png 插圖、圖表、圖表和其他圖形，它們在文本中運行，但不是文本本身的一部分。

大多數使用研究論文進行訓練的大型語言模型只是閱讀文本，這意味著芝加哥大學 PME 團隊將在未來一段時間內手動輸入訓練數據。

“即使是今天的模型也確實難以從圖像中提取數據，”Amanchukwu 說。

盡管訓練數據非常龐大，但這只是第一步。

“我不想找到已經在我的訓練數據中的分子，”Amanchukwu 說。“我想在非常不同的化學空間中尋找分子。因此，我們測試了這些模型在看到以前從未見過的分子時的預測能力。

該團隊發現，當一個分子在化學上與訓練數據中的分子相似時，AI 會高精度地預測它能制造出多好的電解質。它努力標記不熟悉的材料，這標志著該團隊在尋求使用 AI 設計下一代電池的下一個挑戰。