El aprendizaje automático podría acelerar la búsqueda de nuevos materiales para baterías

¡Compártelo!

Para descubrir materiales para mejores baterías, los investigadores deben recorrer un vasto campo de candidatos. Una nueva investigación demuestra una técnica de aprendizaje automático que podría mostrar más rápidamente las que tienen las propiedades más deseables.

El estudio podría acelerar los diseños de baterías de estado sólido, una tecnología prometedora de próxima generación que tiene el potencial de almacenar más energía que las baterías de iones de litio sin los problemas de inflamabilidad. Sin embargo, las baterías de estado sólido encuentran problemas cuando los materiales dentro de la celda interactúan entre sí de manera que degradan el rendimiento.

Investigadores del Laboratorio Nacional de Energía Renovable (NREL), la Escuela de Minas de Colorado y la Universidad de Illinois demostraron un método de aprendizaje automático que puede predecir con precisión las propiedades de los compuestos inorgánicos. El trabajo está liderado por NREL y parte de DIFERENCIAR, una iniciativa financiada por la Agencia de Proyectos de Investigación Avanzada – Energía (ARPA-E) del Departamento de Energía de EE. UU. que tiene como objetivo acelerar la innovación energética mediante la incorporación de inteligencia artificial.

Los compuestos de interés son sólidos cristalinos con átomos dispuestos en patrones tridimensionales repetidos. Una forma de medir la estabilidad de estas estructuras cristalinas es calculando su energía total; una energía total más baja se traduce en una mayor estabilidad. Un solo compuesto puede tener muchas estructuras cristalinas diferentes. Para encontrar el que tiene la energía más baja, la estructura del estado fundamental, los investigadores confían en simulaciones numéricas de alta fidelidad, computacionalmente costosas.

Las baterías de estado sólido pierden capacidad y voltaje si se forman fases competitivas en la interfaz entre el electrodo y el electrolito. Encontrar pares de materiales que sean compatibles requiere que los investigadores se aseguren de que los materiales no se descompongan. Pero el campo de candidatos es amplio: las estimaciones sugieren que hay millones o incluso miles de millones de compuestos de estado sólido plausibles esperando ser descubiertos.

“No se pueden hacer estas simulaciones muy detalladas en una gran franja de este espacio de estructura cristalina potencial”, dijo Peter St. John, investigador de NREL e investigador principal principal del proyecto ARPA-E. “Cada uno es un cálculo muy intensivo que lleva de minutos a horas en una computadora grande”. Luego, los seres humanos deben examinar los datos resultantes para identificar manualmente nuevos materiales potenciales.

Para acelerar el proceso, los investigadores utilizaron una forma de aprendizaje automático llamada red neuronal gráfica. Una red neuronal gráfica es un algoritmo que se puede entrenar para detectar y resaltar patrones en los datos. Aquí, el “gráfico” es esencialmente un mapa de cada estructura cristalina. El algoritmo analiza cada estructura cristalina y luego predice su energía total.

Sin embargo, el éxito de cualquier red neuronal dependerá de los datos que utilice para aprender. Los científicos ya han identificado más de 200.000 estructuras de cristales inorgánicos, pero hay muchas, muchas más posibilidades. Algunas estructuras cristalinas parecen estables al principio, hasta que la comparación con un compuesto de menor energía revela lo contrario. Los investigadores idearon cristales hipotéticos de mayor energía que podrían ayudar a perfeccionar la capacidad del modelo de aprendizaje automático para distinguir entre estructuras que simplemente aparecer estable y los que realmente lo son.

“Para entrenar un modelo que pueda predecir correctamente si una estructura es estable o no, no se puede simplemente alimentarlo con las estructuras del estado fundamental que ya conocemos. Tienes que darle estas estructuras hipotéticas de mayor energía para que el modelo pueda distinguir entre las dos ”, dijo St. John.

Para entrenar su red neuronal gráfica, los investigadores crearon ejemplos teóricos basados ​​no en la naturaleza sino en cálculos mecánicos cuánticos. Al incluir cristales de estado fundamental y de alta energía en los datos de entrenamiento, los investigadores pudieron obtener resultados mucho más precisos en comparación con un modelo entrenado solo en estructuras del estado fundamental. El modelo de los investigadores tuvo un error promedio cinco veces menor que el caso de comparación.

El estudio, “Predecir la energía y la estabilidad de cristales conocidos e hipotéticos utilizando una red neuronal gráfica, ”Fue publicado en la revista Patrones el 12 de noviembre. Los coautores con St. John son Prashun Gorai, Shubham Pandey y Vladan Stevanović de la Escuela de Minas de Colorado, y Jiaxing Qu de la Universidad de Illinois. Los investigadores utilizaron NREL Sistema informático de alto rendimiento Eagle para ejecutar sus cálculos.

El enfoque podría revolucionar la velocidad con la que los investigadores pueden descubrir nuevos materiales con propiedades valiosas, lo que les permitirá sacar a la superficie rápidamente las estructuras cristalinas más prometedoras. El trabajo es ampliamente relevante, dijo Gorai, profesor de investigación de la Escuela de Minas de Colorado, que ocupa un cargo conjunto en NREL.

“El escenario en el que dos sólidos entran en contacto entre sí ocurre en muchas aplicaciones diferentes: energía fotovoltaica, termoeléctrica, todo tipo de dispositivos funcionales”, dijo Gorai. “Una vez que el modelo tiene éxito, se puede implementar para muchas aplicaciones más allá de las baterías de estado sólido”.

Esto es parte de una serie sobre la investigación de aprendizaje automático de bioenergía de NREL. Aprender más acerca de investigación bioenergética en NREL.

Artículo cortesía de Laboratorio Nacional de Energías Renovables.

.
Si ha sido una lectura entretenida, anímate a compartir esta noticia con quien sabes que le va a parecer interesante.

¡Compártelo!

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *