研究人员利用人工智能加速研发更安全更优质的电池

随着清洁能源转型推动电动汽车和电网储能的普及，电网对风能和太阳能等可变可再生能源的依赖性越来越大，电池起火的危险性也随之增加。为了在提高电池性能的同时限制这种风险，下一代电池可能会依赖于新的固态电解质，但由于材料选择数量庞大且涉及的参数繁多，研究受到了阻碍。

然而，机器学习正在拯救我们。一组材料科学家开发了一个包含数百种固态电解质的新型动态数据库，他们已将人工智能技术应用于该数据库，这些技术已将研究引向更好的方向。

在许多可充电电池中，有机溶剂通常用作电解质(这些物质通常是液体或凝胶，可以促进带电粒子或离子在正极和负极之间移动)。

这种溶剂具有良好的导电性，并允许离子在电极之间有效传输，但一系列安全和性能问题意味着电池研究人员长期以来一直在寻找替代电解质材料。

具体来说，有机溶剂易燃，可能导致热失控反应，从而引起火灾或爆炸。此外，有机溶剂容易发生化学分解，随着时间的推移，会产生气体并导致电解质分解，从而降低电池的性能和使用寿命。此外，它们有时会受到电池可工作电压范围的限制。

另一种替代方案是全固态电池(ASSB)，其中传统的液体或凝胶有机溶剂被固体电解质取代，从而消除了泄漏和爆炸的问题。这些固态电解质不仅提高了安全性，而且还提供了更高的能量密度，并且可能缩短了充电时间。

然而，寻找具有高离子电导率(离子在电池中移动并产生电流的能力)的固态电解质(SSE)的过程充满挑战，主要是因为它们的结构复杂，以及这些结构与性能之间的关系。到目前为止，只发现了离子迁移缓慢的SSE。如果没有高性能的SSE，ASSB的开发将受到严重阻碍。

“更糟糕的是，可供选择的SSE数量实在太多了，”东北大学材料高级研究所的材料科学家、论文的通讯作者HaoLi说道。“有数百种可能性，对于研究人员来说，处理如此多的选项，同时跟踪最佳性能的各种参数，是一项真正的挑战。”

因此，该团队开发了一个实验动态数据库，即固态电解质动态数据库(DDSE)，该数据库最初包含600多种潜在的固态电解质材料，涵盖广泛的工作温度范围并包含各种阳离子和阴离子(正离子和负离子)，以探索不同变量之间的关系。

动态数据库是一种易于频繁更新和修改的数据库，允许实时更改和添加其中包含的数据。这种类型的数据库通常用于信息不断变化的情况。在这种情况下，DDSE会不断更新新的实验数据。该数据库每周更新一次，截至2024年1月，包含1000多种材料。

研究人员随后将机器学习应用于DDSE，以克服人工分析的局限性以及理论计算的超高计算成本。在没有机器学习的情况下，研究人员一直在努力通过计算来处理SSE的大型原子系统以及所涉及的化学反应的复杂性。

通过利用机器学习，研究人员可以以更低的计算(和财务)成本对新型固态电解质材料做出更好的预测，并且与之前在SSE设计中反复试验的尝试相比，时间浪费最少。

通过这种方式，他们开始梳理多个不同变量之间的复杂关系，包括离子传输、成分、活化能(引发化学反应所需的能量)和电导率，从而为SSE的设计制定了一套新的指导方针。研究人员已经确定了不同类别材料中SSE的发展和性能趋势，以及每类SSE的性能瓶颈。

DDSE还设计了用户友好的界面，以便原始团队以外的其他电池和材料科学家可以自行更新和使用它。