به گزارش ایسنا، الکترولیت‌های باتری فقط یک ماده شیمیایی نیستند، بلکه ترکیبی پیچیده از نمک‌ها، حلال‌ها و مواد افزودنی هستند که با یکدیگر در تعامل و واکنش قرار دارند.

به نقل از تک‌اکسپلور، هوش مصنوعی در کمک به انتخاب مواد ایده‌آل برای استفاده در این سوپ شیمیایی، پیشرفت‌های چشمگیری داشته است، اما گروهی از پژوهشگران «دانشکده مهندسی مولکولی پریتزکر دانشگاه شیکاگو»(UChicago PME) از هوش مصنوعی استفاده کرده‌اند تا کل فرمولاسیون را تولید کنند و بده‌بستان‌ها و تعاملات پیچیده‌ موجود در الکترولیت‌های سازنده باتری‌ها را متعادل سازند.

این پژوهش، گامی در توسعه‌ مداوم یک مدل هوش مصنوعی به نام «الکترولیت‌جی‌پی‌تی»(ElectrolyteGPT) برای کار کردن با باتری توسط «آزمایشگاه آمانچوکو»(Amanchukwu Lab) در دانشگاه شیکاگو بود.

«جائمین کیم»(Jaemin Kim) از پژوهشگران این پروژه گفت: الکترولیت‌های باتری نسل بعدی باید الزامات خواص چندگانه و اغلب متناقض را برآورده کنند. الکترولیت‌جی‌پی‌تی با قابلیت تولید خروجی‌ها در شرایط متنوع، قادر به تولید گزینه‌های جدیدی است که خواص مورد نظر را به طور هم‌زمان برآورده می‌کنند.

هوش مصنوعی نه تنها مواد تشکیل‌دهنده، بلکه غلظت‌ها، نسبت‌های اختلاط و سایر جنبه‌های ترکیب را تعیین می‌کند و به اهداف تعیین‌شده توسط پژوهشگران در همه چیز از رسانایی گرفته تا پایداری و گران‌روی می‌رسد.

با ترکیب توصیه‌های هوش مصنوعی، چندین ترکیب جدید یافت شد که به خوبی الکترولیت‌های برتر در باتری‌های لیتیوم-فلزی عمل می‌کردند. پروفسور «چیبوئزه آمانچوکو»(Chibueze Amanchukwu) از پژوهشگران این پروژه گفت: این یک گام مهم به سوی هدف بلندمدت یعنی یافتن الکترولیت‌هایی است که بهتر از بهترین‌ گزینه‌های کنونی عمل می‌کنند. ما تعدادی ترکیب داشتیم که مطابق با جدیدترین دستاوردهای علمی بودند و این برای ما هیجان‌انگیز بود. ما می‌توانیم ترکیب‌هایی را تولید کنیم که بتوانند از آنچه برخی از بهترین دانشمندان انجام داده‌اند، تقلید کنند، اما هنوز کارهای زیادی در پیش است.

بسیاری تخمین می‌زنند که تعداد مولکول‌های بالقوه برای الکترولیت باتری، ۱۰۶۰ یعنی بیشتر از همه ستاره‌های آسمان است. کاوش هر یک از این مولکول‌ها برای اجزای باتری، داروهای سرطان یا سایر موادی که قبلاً تصورش هم نمی‌رفت، فراتر از عمر انسان است.

این فقط مربوط به خود مولکول‌ها است، نه روش‌های احتمالی عملاً بی‌نهایت برای ترکیب آنها در فرمولاسیون‌های گوناگون. کیم گفت: اگرچه کاوش در کل فضای تقریباً بی‌نهایت الکترولیت غیرممکن است، اما هوش مصنوعی مولد می‌تواند در حوزه‌های نقشه‌برداری‌نشده شیمی به حرکت درآید و مولکولی را تولید کند که پیشتر هرگز ساخته نشده است.

این هوش مصنوعی، مولکول‌های تئوری را با سرعتی تولید می‌کند که پژوهشگران انسانی هرگز نمی‌توانند با آن برابری کنند و مولکول‌هایی را که براساس داده‌های آموزشی خود فکر می‌کند برای یک هدف خاص خوب هستند، انتخاب می‌کند. سپس، انسان‌ها موادی را که هوش مصنوعی شناسایی می‌کند، به همان روشی که مواد پیشنهادی یک پژوهشگر انسان را آزمایش می‌کنند، در آزمایشگاه مورد بررسی قرار می‌دهند.

هوش مصنوعی اغلب برای کشف دارو استفاده می‌شود که این موضوع، مانع اولیه‌ را برای گروه آمانچوکو ایجاد کرد. بیشتر مدل‌های GPT موجود برای یافتن مولکول‌هایی ایجاد شده‌اند که داروهای خوبی می‌سازند، نه باتری‌های خوب.

آمانچوکو گفت: اگر از آنچه در مقالات وجود دارد، استفاده کنید، مولکول‌های شبیه به دارو تولید می‌کند. این برای ما مهم نیست. ما مجموعه‌ای از داده‌ها را گردآوری کرده‌ایم که ترکیبات مرتبط با الکترولیت را دارند؛ به طوری که مدل GPT فقط درباره الکترولیت‌ها اطلاعات دارد. سپس اگر به آن بگویید «مولکول‌های حلال جدید تولید کن»، ترکیباتی را تولید می‌کند که به نظر می‌رسد می‌توانند الکترولیت باشند.

در مرحله بعد، پژوهشگران مجبور بودند هوش مصنوعی را طوری آموزش دهند که فقط مواد الکترولیتی را برای برآوردن پارامترهای خاصی تولید کند. هیچ فایده‌ای ندارد که پژوهشگران یک مدل هوش مصنوعی را برای ایجاد باتری‌های با عملکرد پایین آموزش دهند. بنابراین، آنها استانداردهایی را برای رسانایی یونی، پایداری اکسیداتیو و گران‌روی تعیین کردند.

آمانچوکو گفت: این یک گام مهم به سوی هدف نهایی یعنی هوش مصنوعی الکترولیت واقعاً مولد است. در حال حاضر حتی با داده‌های محدود و همچنین پارامترهای محدودی که اجرا می‌کنیم، می‌توانیم ترکیب‌هایی را به وجود بیاوریم که روی آنها آزمایش انجام دهیم. می‌توانیم پیشنهادات نظری هوش مصنوعی را در دنیای واقعی تأیید کنیم. ما علاقه‌مندیم ببینیم که آیا می‌توانیم این مدل‌ها را بزرگتر و بهتر کنیم.

این پژوهش در مجله «JACS Au» به چاپ رسید.

انتهای پیام