Um dos principais obstáculos a descobrir novos eletrólitos poderosos para o design da bateria da próxima geração para veículos elétricos, telefones, laptops e armazenamento de energia em escala de grade.
A maioria dos eletrólitos estáveis nem sempre é o mais condutor. A bateria mais qualificada nem sempre é a mais estável. E assim por diante.
“Os eletrodos precisam ser satisfeitos de maneira muito diferente ao mesmo tempo. Eles sempre se opõem um ao outro”, um Shimdt Ai Ritus Kumar, que está trabalhando no laboratório de Amanchuku da Molecular Pritjocar School (Uchicago PME) no engenheiro de moléculas.
Kumar é o primeiro autor de um novo artigo publicado Química de Materiais Está mantendo a inteligência artificial e o aprendizado de máquina no trabalho. O contorno do papel de uma nova estrutura para procurar moléculas que criem os três componentes dos três componentes que produzem um eletrólito de bateria ideal – condutividade iônica, durabilidade oxidativa e habilidades cooperativas.
Pesquisa de bateria de íons de lítio para recuar de um conjunto de dados compilado de 250 trabalhos de pesquisa para os primeiros dias da pesquisa de bateria, esse grupo usa a IA para chamá-loPontuação“Para diferentes moléculas. EPontuação Esses três critérios equilibram, detectando moléculas que examinam três caixas.
“As moléculas de campeão em uma propriedade não são a molécula campeã”, o investigador -chefe de Kumar, professor de Chibuz Amanchukuu, professor assistente da família Uchikago PME Newubaur.
Eles já testaram seu processo, usando a IA que executa uma molécula que e também detecta os melhores eletrólitos do mercado, um grande avanço em um campo que geralmente depende do teste e truque.
“A otimização de eletrólitos é um processo lento e desafiador, onde os pesquisadores costumam recorrer a tentativas e trompetes para equilibrar propriedades competitivas em multi-componentes”, a engenharia química e biológica não está envolvida na pesquisa, que não esteve envolvida na pesquisa. “Esse tipo de estrutura de pesquisa orientada a dados é importante para acelerar o desenvolvimento de novos materiais de bateria e ajudar a progredir no progresso na ciência e na automação de laboratório habilitadas para AA”.
Bateria
Os candidatos comprometidos com os laboratórios de cientistas de inteligência artificial, para que destruam as bordas mortas e o menor tempo, energia e recursos no falso lançamento. Os pesquisadores da Uchikago PME já estão usando IA para ajudar a desenvolver tratamento de câncer, imunoterapia, tratamento de água, materiais quânticos e outras novas tecnologias.
O número teórico de moléculas que a bateria pode produzir eletrólitos é de 10 a 60ª energia, ou um dos 60 zero, a tecnologia que provavelmente pode sinalizar os vencedores de bilhões de não iniciantes para dar um enorme benefício dos pesquisadores.
Amanchuku disse: “Teria sido impossível passarmos por alguns milhões de compostos: ‘Ah, acho que deveríamos estudá -lo”, disse Amanchuku.
Amanchuku comparou a IA em pesquisa para ouvir música online.
Imagine uma IA treinada no sabor do instrumento musical de uma pessoa em particular, uma combinação de qualidades que entram em seu próprio “ePontuação“Para boas músicas. A nova pesquisa eletrolítica criou o equivalente a uma IA que pode passar pela lista de reprodução existente e a música prevê a música que a pessoa vai gostar. O próximo passo será uma IA que pode Criar Uma lista de reprodução da música pensa que a pessoa vai gostar, um tweet conceitual sutil, mas importante.
A etapa final – e o objetivo da pesquisa da AII no laboratório de Amanchuku – será uma IA que pode escrever música ou projetar uma nova molécula neste caso, que atende a todos os parâmetros fornecidos.
Amanchuku recebeu um prêmio do Google Research Scholar no ano passado para ajudar o laboratório a se aproximar da etapa final: realmente gerador eletrólito IA.
Um truque de design gráfico
A equipe começou a corrigir os dados de treinamento, a partir da IA manualmente em 2020.
“Existem milhares de eletrólitos em potencial no conjunto de dados atuais que retiramos da literatura no conjunto de dados atual que estudamos há mais de 50 anos”, disse Kumar.
Uma das razões pelas quais eles precisam inserir dados vem manualmente da química, não do design gráfico.
Quando os pesquisadores escrevem artigos e periódicos, eles os colocam no formato da revista, a equipe se transformou em e -ePontuação São geralmente encontrados nas imagens. São imagens, gráficos, diagramas e outros gráficos JPEG ou.
A maioria dos grandes modelos de idiomas de treinamento com trabalhos de pesquisa leu o texto simplesmente, o que significa que a equipe do Uchicago PME entrará manualmente nos dados de treinamento por algum tempo.
Amanchuku diz: “Até os modelos lutam com imagens de imagens hoje”.
Embora os dados de treinamento sejam enormes, este é apenas o primeiro passo.
Amanchuku diz: “Não quero encontrar uma molécula que já estivesse nos meus dados de treinamento”. “Quero encontrar moléculas em espaços químicos muito diferentes, então testamos que eles nunca viram antes de ver uma toupeira”.
A equipe descobriu que, quando uma molécula era a mesma dos dados quimicamente de treinamento, a IA previu o quão bem seria com maior precisão. Ele lutou para sinalizar materiais desconhecidos, as baterias da próxima geração identificam o próximo desafio em busca de IA para design.
