باتری‌های لیتیوم یونی (LIBs) وسایل ذخیره‌سازی انرژی حیاتی در جامعه مدرن هستند. با این حال، عملکرد و هزینه هنوز از نظر چگالی انرژی، چگالی توان، عمر چرخه، ایمنی و غیره رضایت بخش نیست .

شیمی محاسباتی و هوش مصنوعی (AI) می تواند به طور قابل توجهی تحقیق و توسعه سیستم های باتری جدید را تسریع کند.

تیمی مشترک از محققان آزمایشگاه ملی انرژی های تجدیدپذیر آمریکا (NREL) و دانشگاه ایلینویز روشی برای یادگیری ماشینی ابداع کردند که می تواند به طور دقیق خواص ترکیبات معدنی را پیش بینی کند. بر اساس یافته های محققین، ترکیبات مورد نظر جامدات کریستالی با اتم های مرتب شده در الگوهای تکراری و سه بعدی هستند.

یکی از راه ‌های اندازه‌ گیری پایداری این ساختارهای کریستالی، محاسبه انرژی کل آنها است. اگر فازهای واکنشی در سطوح مشترک بین الکترود و الکترولیت در باتری های جامد تشکیل شوند منجر به کاهش ظرفیت و ولتاژ باتری می شود. یافتن مواد سازگار، نیازمند تجزیه نشدن این مواد است اما حوزه گزینه های انتخابی بسیار گسترده است به طوری که برآوردها نشان می دهد که میلیون ها یا حتی میلیاردها ترکیب قابل قبول جامد در انتظار کشف شدن هستند.

پیتر سنت جان (Peter St. John)، محقق و پژوهشگر ارشد این پروژه می گوید: شما نمی توانید این شبیه سازی های بسیار دقیق را روی یک بخش عظیم از این فضای ساختار کریستالی بالقوه انجام دهید چراکه هر کدام نیازمند یک محاسبه بسیار فشرده است که در یک ابر کامپیوتر می تواند تا ساعت ها به طول بیانجامد.

بعد از این مرحله، پژوهشگران باید داده های به دست آمده را بررسی تا بتوانند به صورت فیزیکی مواد احتمالی جدید را شناسایی کنند. در همین راستا و برای تسریع این فرآیند، محققان از نوعی یادگیری ماشینی به نام شبکه عصبی گراف استفاده کردند. شبکه عصبی گراف الگوریتمی است که می تواند برای شناسایی و برجسته کردن الگوها آموزش ببیند. باید در نظر داشت که موفقیت هر شبکه عصبی به داده هایی که برای یادگیری استفاده می کند بستگی دارد.

محققان برای آموزش شبکه عصبی گراف خود، نمونه های نظری را نه بر اساس طبیعت، بلکه بر اساس محاسبات مکانیکی کوانتومی ایجاد کردند. این رویکرد می‌تواند سرعت کشف مواد جدید با خواص ارزشمند را متحول کرده و به آن‌ها اجازه دهد تا به سرعت، امیدوارکننده ‌ترین ساختارهای کریستالی را نمایان کنند.

224222922.361