ИИ спроектировал новые составы электролитов для аккумуляторов
Учёные из Школы молекулярной инженерии имени Притцкера Чикагского университета разработали новый подход с использованием искусственного интеллекта, позволяющий автоматически проектировать целые рецептуры электролитов для аккумуляторов. Работа опубликована в журнале JACS Au и представляет собой развитие ранее созданной платформы ElectrolyteGPT, предназначенной для ускоренного поиска материалов для батарей.
Электролиты в аккумуляторах представляют собой сложные многокомпонентные системы, включающие соли, растворители и добавки. Их свойства определяются не отдельными веществами, а их взаимодействием и точными пропорциями, что делает задачу их разработки крайне сложной даже для опытных химиков.
Новая модель искусственного интеллекта способна не только подбирать отдельные компоненты, но и формировать полноценные рецептуры электролитов. Система определяет концентрации, соотношения и параметры смешивания, ориентируясь на заданные характеристики, включая проводимость, вязкость и химическую стабильность.
По словам первого автора исследования Джимина Кима, электролиты следующего поколения должны одновременно удовлетворять множеству часто противоречивых требований. Возможности ИИ позволяют учитывать эти ограничения и генерировать новые перспективные составы для высокоэффективных аккумуляторных систем.
В ходе экспериментов исследователи синтезировали и протестировали ряд предложенных ИИ составов. Несколько из них показали характеристики, сопоставимые с современными передовыми системами литий-металлических аккумуляторов. Руководитель исследования, профессор Чибуезе Аманчукву, отметил, что это подтверждает перспективность подхода и его потенциал для дальнейшего улучшения технологий хранения энергии.
Отдельно подчёркивается, что химическое пространство возможных молекул электролитов оценивается примерно в 10⁶⁰ вариантов — больше, чем число звёзд в наблюдаемой Вселенной. Полный перебор таких комбинаций невозможен, поэтому генеративные модели ИИ рассматриваются как ключевой инструмент для навигации в этом химическом пространстве.
Исследователи также отмечают, что стандартные модели искусственного интеллекта, обученные на фармацевтических данных, плохо подходят для задач аккумуляторной химии, поскольку склонны генерировать молекулы, более характерные для лекарственных соединений. Для решения этой проблемы команда разработала специализированный набор данных, ориентированный именно на электролитные системы.
Благодаря этому система стала предлагать молекулы и формулы, значительно более близкие к реально применимым аккумуляторным электролитам, что повышает практическую ценность подхода и ускоряет поиск новых материалов для энергетических технологий.
Исследование в журнале JACS Au.