پژوهشگران دانشگاه فناوری نیوجرسی (NJIT) با استفاده از هوش مصنوعی موفق شدند چندین ماده متخلخل جدید کشف کنند که می توانند آینده باتری های یون چندظرفیتی را متحول کنند. این یافته ها راه را برای ذخیره انرژی قدرتمندتر و پایدارتر با استفاده از عناصری فراوان مانند منیزیم باز می کند.
هوش مصنوعی چگونه مسیر باتری های نسل جدید را باز کرد
تیمی از محققان NJIT با رهبری پروفسور دیباکار داتا، هوش مصنوعی را برای حل یکی از بزرگترین چالش های ذخیره انرژی به کار گرفتند: پیدا کردن جایگزینی ارزان و پایدار برای باتری های لیتیوم یون. این پژوهش که در نشریه Cell Reports Physical Science منتشر شده، نشان می دهد چطور روش های هوشمند مبتنی بر تولید داده توسط هوش مصنوعی توانستند خیلی سریع مواد جدیدی را برای باتری های یون چندظرفیتی شناسایی کنند.
باتری های یون چندظرفیتی برخلاف لیتیوم یون، با عناصری مثل منیزیم، کلسیم، آلومینیوم و روی کار می کنند. این عناصر به وفور در طبیعت یافت می شوند و از نظر هزینه و پایداری گزینه های بهتری نسبت به لیتیوم هستند. از طرفی یون های آن ها دو یا سه بار مثبت دارند و این یعنی می توانند انرژی بیشتری ذخیره کنند، اما اندازه بزرگ تر و بار بیشتر این یون ها باعث می شد کاربرد عملی آن ها دشوار باشد. تیم NJIT توانست با هوش مصنوعی بر این مشکل غلبه کند.
کشف سریع مواد جدید با دو مدل هوش مصنوعی
یکی از بزرگترین مشکلات توسعه باتری های جدید، آزمایش میلیون ها ترکیب مواد مختلف بود که عملا زمان و منابع کافی برای آن وجود ندارد. پژوهشگران به جای آزمایش دستی، از یک روش نوآورانه با دو مدل هوش مصنوعی استفاده کردند: مدل خودرمزگذار انتشار کریستال (CDVAE) و یک مدل زبان بزرگ (LLM).
مدل CDVAE با داده های عظیم ساختارهای کریستالی آموزش دید تا بتواند مواد کاملا جدید با ساختارهای متنوع پیشنهاد بدهد. همزمان، مدل زبان بزرگ (LLM) روی انتخاب موادی که از نظر پایداری ترمودینامیکی مناسب هستند، تمرکز کرد؛ این موضوع برای سنتز عملی بسیار مهم است.
این فرآیند، هزاران ساختار کریستالی جدید را در زمان بسیار کوتاه بررسی کرد و در نهایت پنج ماده متخلخل کاملا جدید کشف شد که ساختاری ایده آل برای جابه جایی سریع و امن یون های بزرگ و سنگین دارند. این یک گام مهم برای باتری های نسل آینده به شمار می رود.
تایید نتایج با شبیه سازی و تست های واقعی
ساختارهای به دست آمده توسط شبیه سازی های مکانیک کوانتومی و تست های پایداری بررسی شد و مشخص گردید این مواد هم از نظر تئوری و هم از نظر عملی قابلیت سنتز دارند و می توانند به سرعت وارد مراحل کاربردی شوند.
پروفسور داتا تاکید کرد اهمیت این روش فقط به کشف مواد جدید باتری محدود نمی شود. این یک رویکرد سریع و مقیاس پذیر برای کشف انواع مواد پیشرفته است؛ از الکترونیک تا راهکارهای انرژی پاک، بدون نیاز به آزمون و خطای گسترده.
آینده ذخیره انرژی و باتری ها به کجا می رود
با این نتایج امیدبخش، تیم NJIT قصد دارد با آزمایشگاه های عملیاتی همکاری کند تا این مواد طراحی شده توسط هوش مصنوعی را سنتز و بررسی کند. هدف آن ها نزدیک تر شدن به باتری های یون چندظرفیتی تجاری است که می توانند جایگزین باتری های لیتیوم یون فعلی شوند و انقلابی در صنعت ذخیره انرژی ایجاد کنند.
این یافته ها نشان می دهد هوش مصنوعی حالا نه فقط در نرم افزار، بلکه در کشف مواد و تکنولوژی های آینده انرژی نیز نقشی کلیدی ایفا می کند؛ نقشی که می تواند به ساخت باتری های قوی تر، ارزان تر و پایدارتر برای جهان فردا منجر شود.
