Les scientifiques utilisent une vision de l'IA et des rayons X pour mieux comprendre l'électrolyte de batterie zinc-ion
Une équipe de scientifiques du laboratoire national de Brookhaven du département américain de l'Énergie (DOE) et de l'Université Stony Brook (SBU) a utilisé l'intelligence artificielle (IA) pour les aider à comprendre comment fonctionnent les batteries zinc-ion – et potentiellement comment les rendre plus efficaces pour les futurs besoins de stockage d'énergie.
Leur étude, publiée dans la revue Énergie PRXaxé sur l'électrolyte à base d'eau qui fait la navette des ions de zinc chargés électriquement à travers la batterie rechargeable pendant la charge et l'utilisation. Le modèle d'IA a expliqué comment ces ions chargés interagissent avec l'eau sous des concentrations variables de chlorure de zinc (ZNCL2), une forme de sel à forte solubilité dans l'eau.
Les résultats de l'IA, validés par des expériences à la Synchrotron Light Source II (NSLS-II), National Synchrotron Light Source II (NSLS-II), montrent pourquoi les concentrations élevées de sel élevés produisent les meilleures performances de la batterie.
« L'IA est un outil important qui peut faciliter l'avancement de la science », a déclaré Esther Takeuchi, présidente du Département des sciences interdisciplinaires (ISD) au Brookhaven Lab et au président de William et Jane Knapp en énergie et à l'environnement de SBU. « La recherche effectuée par cette équipe fournit un exemple des idées qui peuvent être acquises en combinant l'expérience et la théorie améliorées par l'utilisation de l'IA. »
Amy Marschilok, directrice de la Division du stockage d'énergie de l'ISD et professeur de chimie à SBU, a ajouté: « Ce travail pourrait aider à faire progresser le développement de batteries zinc-ion robustes pour un stockage d'énergie à grande échelle. Ces batteries sont particulièrement attrayantes pour les applications énergétiques résilientes parce que l'électrolyte à base d'eau est intrinsèquement sûr et les matériaux utilisés pour les rendre sont abondants et abordables. »
Eau en sel
Comme toutes les batteries, les batteries du zinc-ion convertissent l'énergie des réactions chimiques en énergie électrique, a expliqué Deyu Lu, un scientifique du personnel du groupe de théorie et de calcul du Centre de nanomatériaux fonctionnels de Brookhaven Lab (CFN).
« Cependant, les réactions chimiques concurrentes, telles que celles qui divisent les molécules d'eau et produisent de l'hydrogène gazeux, peuvent dégrader gravement les performances de la batterie », a-t-il déclaré. « Si l'une de cette énergie est utilisée dans les réactions secondaires, vous perdez de l'énergie qui est censée travailler. »
Lu et ses collaborateurs savaient que des études précédentes avaient montré que le fractionnement de l'eau est supprimé dans un électrolyte de chlorure de zinc spécial où la concentration en sel est si élevée qu'elle est appelée «eau dans l'eau», contrairement aux électrolytes plus courants «sel dans l'eau». Pour comprendre pourquoi la version à sel élevé était meilleure, ils voulaient capturer les détails à l'échelle atomique de la façon dont les ions zinc et chlorure se déplacent et interagissent avec l'eau – et comment cela affecte la conductivité de l'électrolyte – à différentes concentrations de sel.
Mais voir ces détails à l'échelle atomique est extrêmement difficile. L'équipe s'est donc transformée en une forme de modélisation informatique améliorée par la vision de l'IA.
Développer une vision de l'IA
« Voir ces détails complexes serait impossible en utilisant des techniques informatiques conventionnelles », a déclaré Lu. « Les méthodes de simulation conventionnelles ne peuvent pas gérer le grand nombre d'interactions atomiques avec la précision souhaitée pour capturer les échelles de temps sur lesquelles ces systèmes évoluent. De tels calculs nécessitent une puissance de calcul énorme, qui prendrait facilement de nombreuses années. »
Ainsi, au lieu d'effectuer tous les calculs complexes qui seraient nécessaires pour simuler pleinement les interactions des ions avec l'eau, l'équipe a utilisé des simulations conventionnelles pour générer un petit nombre de données de simulation, appelées «ensemble de formation», et l'attaquait à un programme d'IA. Ils ont utilisé des ressources informatiques dans la théorie et l'installation de calcul de CFN, une installation d'utilisateurs Doe Office of Science et des installations de calcul scientifique et de données scientifiques de Brookhaven Lab au sein de la Direction (CDS) de l'informatique et des sciences de données.
« Nous avions besoin d'un peu de données recueillies en calculant un petit nombre d'interactions pour lancer le processus de formation d'un modèle initial », a déclaré le Chuntian Cao de CDS, premier auteur sur le journal. « Ensuite, nous avons dirigé le modèle pour générer plus de données pour continuer à améliorer les prédictions du modèle. »
À chaque étape, les scientifiques ont dirigé leurs résultats à travers un ensemble de modèles d'apprentissage automatique (ML) pour évaluer si les prédictions étaient précises. Lu a comparé le processus à l'appel de plusieurs amis pour répondre aux questions sur « Qui veut être millionnaire », une émission de télévision autrefois populaire. « Si les amis / modèles sont tous d'accord, alors il semble que vous ayez de bonnes chances que vous ayez une prédiction précise », a-t-il noté.
Mais, comme le l'a souligné CAO, « Lorsque nous constatons que certaines prédictions ont de très grands écarts dans l'ensemble des modèles ML, nous retournons à faire les calculs conventionnels pour obtenir la bonne réponse. Ces nouveaux points de données corrigés sont ensuite ajoutés aux données de formation pour affiner davantage le modèle ML. »
Ce processus itératif de « l'apprentissage actif » a minimisé le nombre de calculs qui devaient être exécutés de manière coûteuse en calcul pour terminer la formation du modèle ML. Et, après plusieurs cycles d'entraînement, le modèle d'IA pourrait faire des prédictions sur un nombre beaucoup plus important d'interactions atomiques sur des échelles de temps de plus en plus longues.
« Chuntian a dirigé les simulations avec plusieurs milliers d'atomes, un très grand système, pour des centaines de nanosecondes – une tâche impossible en utilisant les méthodes conventionnelles. AI / ML est vraiment un changeur de jeu dans l'étude de matériaux complexes », a déclaré Lu.
Stabiliser l'eau
Le modèle d'IA des scientifiques de Brookhaven et Stony Brook a révélé que des concentrations élevées de chlorure de zinc jouent le rôle clé dans la stabilisation des molécules d'eau, les protégeant contre la division.
Dans l'eau pure, l'atome d'oxygène dans une molécule d'eau (H2O) Forme deux soi-disant liaisons hydrogène avec des atomes d'hydrogène dans les molécules d'eau voisines. Ces liaisons hydrogène relient les molécules d'eau dans un réseau continu qui rend les molécules d'eau plus réactives et sensibles à la séparation, a déclaré Lu.
L'équipe a constaté que le nombre de liaisons hydrogène baisse rapidement à mesure que la concentration de chlorure de zinc augmente, perturbant le réseau de liaisons hydrogène. Dans le régime d'eau dans le sel, seulement 20% des liaisons hydrogène sont laissées.
« La stabilisation des molécules d'eau est une composante essentielle des raisons pour lesquelles les électrolytes d'eau à haute concentration dans le sel fonctionnent si bien », a déclaré Cao.
Zinc de navette
Mais la stabilité électrochimique n'est pas le seul avantage des électrolytes d'eau dans le sel révélé par cette étude. Le modèle d'IA fournit également une explication de la façon dont la concentration élevée en sel maintient un transport efficace des ions de zinc.
« Lorsque votre batterie fait du vélo, votre ion va et vient entre les électrodes. Vous voulez que ces ions soient mobiles; vous ne voulez pas qu'ils soient enfermés », a noté Lu.
Le modèle d'IA a révélé qu'à de très faibles concentrations, les ions de zinc et de chlorure sont séparés les uns des autres et se déplacent dans l'électrolyte indépendamment dans des directions opposées, en raison de leurs charges opposées, a expliqué Lu. À des concentrations plus élevées, les ions et les molécules d'eau commencent à former des grappes avec une charge négative nette. Cette charge négative globale fait que ces grappes de zinc se déplacent dans la mauvaise direction par rapport à la direction préférée pour les ions de zinc chargés positivement. « C'est vraiment mauvais », a déclaré Lu.
Heureusement, à une concentration très élevée, certains agrégats de zinc, de chlorure et d'eau deviennent très grands, « comme les icebergs », a déclaré Lu. Bien que toujours chargés négativement, il y a très peu de ces grands grappes, ils contribuent donc peu à la conductivité. Mais des grappes plus petites laissées dans la solution acquièrent une charge positive globale et peuvent se déplacer autour des grands grappes pour fournir une conductivité suffisamment élevée pour que la batterie fonctionne.
Validation des expériences
Les scientifiques ne s'appuyaient pas complètement sur l'accord entre les modèles ML pour évaluer leurs résultats. Ils ont également fait des expériences du monde réel pour étudier les structures atomiques et mesuré la conductivité électrique des échantillons d'électrolyte.
Chez NSLS-II, une installation d'utilisateurs de l'Office des sciences du DOE, les scientifiques ont utilisé des rayons X à la ligne de faisceau de la fonction de distribution des paires (PDF) pour générer des mesures de la distribution des distances entre les paires d'atomes dans le matériau.
« La ligne de faisceau PDF fournit une plate-forme puissante avec des énergies à rayons X réglables qui donnent une image directe de la façon dont les atomes sont espacés », a déclaré la co-auteur de l'étude Milinda Abeykoon, scientifique principal de la ligne de faisceau.
« Cette cartographie à rayons X haute résolution aide les chercheurs à explorer des structures allant de quelques atomes à des modèles beaucoup plus importants, ce qui est particulièrement utile pour étudier des matériaux complexes comme ceux trouvés dans les batteries. C'est un excellent moyen de recouper et de valider les structures au niveau atomique prédites par les méthodes d'apprentissage automatique. »
Le co-auteur de l'étude, Shan Yan de l'ISD, a déclaré: « Ces mesures nous fournissent des informations sur la structure de solvatation des ions, qui peuvent être très importantes pour comprendre comment les fonctions de l'électrolyte. »
Les prédictions basées sur l'IA se sont bien convenues avec les expériences du monde réel. « Donc, nous sommes convaincus que le modèle est fiable », a déclaré Cao.
« Cette œuvre démontre l'intelligence artificielle et d'apprentissage artificielle peut avoir pour comprendre la chimie des matériaux et fournit des lignes directrices pour optimiser les électrolytes de batterie », a déclaré Lu. « Il représente une forte collaboration de plusieurs départements de laboratoire de Brookhaven et met en évidence la force unique de Brookhaven Lab dans la réalisation de recherches interdisciplinaires qui exploitent le grand Office des installations d'utilisateurs du Doe Office of Science. »
De plus, Marschilok a souligné l'important couplage étroit de la théorie et de l'expérience, ainsi que les contributions des étudiants diplômés de SBU qui ont aidé à préparer des échantillons, à mener des expériences et à analyser les données.
« Le travail main dans la main avec ces étudiants diplômés et tous les scientifiques de Brookhaven nous ont donné une excellente occasion d'obtenir la meilleure qualité des données et de l'analyse expérimentales – et de former la main-d'œuvre de prochaine génération à utiliser ces techniques avancées », a-t-elle déclaré.
