Scoprire Solventi per Batterie: L'Intelligenza Artificiale Rivoluziona la Ricerca

Trovare un ago in un pagliaio è un compito apparentemente impossibile. Tuttavia, nuove tecnologie potrebbero rendere questo processo molto più semplice. Immaginate di poter separare piccole quantità di paglia e utilizzare dei magneti per facilitare la ricerca.

L'intelligenza artificiale (IA) può fungere da magnete per le soluzioni scientifiche, estraendo informazioni cruciali da un'enorme quantità di dati.

L'Importanza della Collaborazione

Tuttavia, l'IA ha i suoi limiti. Se il pagliaio è troppo grande, anche i sistemi più potenti possono trovarsi in difficoltà. Utilizzare efficacemente l'IA richiede l'integrazione di esperti nel campo scientifico. Un team di scienziati ha unito le forze, combinando IA, sperimentazione ad alta capacità e conoscenze di scienza dei materiali per accelerare il processo di scoperta.

Risultati Raggiunti

Il gruppo, guidato da ricercatori del Pacific Northwest National Laboratory (PNNL) e dell'Argonne National Laboratory, ha identificato combinazioni di solventi capaci di sciogliere tre volte di più un composto proposto per una batteria a flusso redox energeticamente efficiente. Questo è stato possibile restringendo rapidamente la ricerca a meno del 10% delle possibili combinazioni. I risultati sono stati pubblicati su Nature Communications.

Un Approccio Innovativo

Il team ha riunito esperti provenienti da diverse discipline, tutti concentrati sulla creazione di una piattaforma in grado di eseguire esperimenti ad alta capacità in modo intelligente. Hanno esaminato una varietà di miscele di solventi organici per progettare un sistema elettrolitico ottimale per batterie a flusso basate su redoxmer.

"Spesso, le persone vedono un sistema automatizzato come un modo per accelerare la scoperta aumentando drasticamente il numero di esperimenti", ha dichiarato Vijay Murugesan, scienziato dei materiali presso PNNL e co-autore dell'articolo. "Volevamo velocizzare la scoperta aumentando l'efficienza utilizzando l'IA per la scienza."

Applicazioni Future

Sebbene la piattaforma si concentri specificamente sulle miscele di elettroliti per lo stoccaggio di energia, il processo generale può essere applicato ad altri sistemi. Questo approccio potrebbe rivelarsi particolarmente utile per problemi con un'ampia gamma di soluzioni potenziali all'interno di un sistema limitato, secondo i ricercatori.

Invece di condurre esperimenti in modo indipendente, il team di sperimentazione ad alta capacità ha raccolto dati per colmare le lacune nell'algoritmo del team di IA. Spesso, il tipo di dati necessari per il modello di IA non è disponibile nei sistemi di laboratorio, costringendo l'algoritmo a essere addestrato su risultati computazionali, il che può portare a bias aggiuntivi.

Sfide e Soluzioni

Determinare le miscele di solventi ottimizzate è una sfida enorme. "Abbiamo identificato 2.000 possibili combinazioni", ha affermato Yangang Liang, co-autore e esperto di sperimentazione ad alta capacità presso PNNL. "È un numero impraticabile di combinazioni da testare, anche con il nostro sistema robotico. Anche se il robot può eseguire esperimenti più velocemente, richiede comunque sostanze chimiche ed energia."

Identificare le opzioni più promettenti senza l'IA avrebbe comunque richiesto centinaia di esperimenti. Per restringere la ricerca, il team ha mirato a raccogliere dati iniziali basati su lacune note nei set di addestramento per il modello di IA.

Un Futuro Promettente

Fornire dati sperimentali ad alta fedeltà al modello ha portato a un sistema meglio addestrato, il che ha migliorato le previsioni per il successivo ciclo di esperimenti. "Il nostro approccio è incredibilmente efficiente", ha affermato Murugesan. "Stiamo sfruttando la velocità dell'alta capacità e l'intuizione umana per addestrare meglio l'IA."

Il risultato di questa collaborazione è duplice: identificare la miscela di solventi e creare un dataset ad alta fedeltà dai dati sperimentali. Il team spera che altri possano utilizzare questi dati per lavori futuri oltre l'esplorazione delle miscele di solventi per batterie a flusso organico.

"Abbiamo adottato un approccio intenzionale nella creazione di dati ad alta fedeltà che possano aiutare a costruire modelli predittivi migliori", ha affermato Murugesan. "Il nostro processo è stato informato dall'ampia esperienza del nostro team, resa possibile dall'investimento del Dipartimento dell'Energia in lavori su scala centrale."

Il progetto è stato supportato da uno sforzo di ricerca sullo stoccaggio di energia che ha unito sei laboratori nazionali e dieci università dal 2018 al 2023.

"Questo lavoro è stato davvero ispirato dal compianto George Crabtree, il direttore fondatore del JCESR", ha detto Murugesan. "Siamo andati da lui con l'idea di utilizzare la capacità ad alta capacità del PNNL per la scoperta di elettroliti, ma ci ha sfidato a pensare in grande e a collaborare con il team di IA."

"Attraverso la sua ispirazione, abbiamo imparato che insieme possiamo produrre risultati significativi più rapidamente integrando modelli di IA e piattaforme robotiche."

I dati informati dai materiali prodotti dal team sono essenziali per creare sistemi di IA efficaci che guideranno i cicli sperimentali in spazi di laboratorio autonomi. "Vedo questi tipi di flussi di lavoro come centrali per un nuovo paradigma nella scoperta dei materiali", ha affermato Hieu Doan, co-autore che ha guidato il lavoro sull'IA.

"Sono entusiasta di vedere il futuro della collaborazione tra ricercatori di IA e scienziati dei materiali", ha aggiunto Karl Mueller, co-autore dell'articolo e Direttore dell'Ufficio Sviluppo Programmi per la Direzione delle Scienze Fisiche e Computazionali. "Accelerare la scoperta dei materiali è fondamentale per risolvere i problemi di stoccaggio dell'energia."

Insieme a Liang, Murugesan e Mueller, Juran Noh e Heather Job hanno contribuito al progetto dal PNNL. Il team di Argonne includeva Doan, Lily Robertson, Lu Zhang e Rajeev Assary. Molti dei collaboratori di questo lavoro fanno parte del recentemente lanciato Energy Storage Research Alliance Energy Innovation Hub.