Comment pouvons-nous optimiser les batteries à semi-conducteurs? Essayez de demander à l’IA
Les scientifiques courent contre le temps pour essayer de créer des sources d’énergie révolutionnaires et durables (comme les batteries à semi-conducteurs) pour lutter contre le changement climatique. Cependant, cette race ressemble plus à un marathon, car les approches conventionnelles sont de nature des essais et des erreurs, se concentrant généralement sur le test des matériaux individuels et définissent les voies une par une.
Pour nous amener à la ligne d’arrivée plus rapidement, les chercheurs de l’Université de Tohoku ont développé un cadre d’IA basé sur les données qui souligne les candidats potentiels d’électrolyte à l’état solide (SSE) qui pourraient être « celui » pour créer la solution d’énergie durable idéale.
Ce modèle ne sélectionne pas seulement les candidats optimaux, mais peut également prédire comment la réaction se produira et pourquoi ce candidat est un bon choix – pratiquant des informations intéressantes sur les mécanismes potentiels et donnant aux chercheurs une longue longueur d’avance sans même pénétrer dans le laboratoire.
Ces résultats ont été publiés dans Édition internationale d’Angewandte Chemie le 17 avril 2025.
« Le modèle fait essentiellement tous les travaux d’essai et erreurs pour nous », explique le professeur Hao Li de l’Advanced Institute for Materials Research. « Il s’inspire d’une grande base de données d’études précédentes pour rechercher toutes les options potentielles et trouver le meilleur candidat SSE. »
La méthode est un cadre IA basé sur les données pionnier qui intègre des modèles de grands langues (LLM), des métads, une régression linéaire multiple, un algorithme génétique et une analyse de comparaison de la théorie-expériment. Essentiellement, les modèles prédictifs s’appuient à la fois à des données expérimentales et à calcul. Des recherches assistées par le calcul donne aux chercheurs une solide avance pour laquelle Avenue pourrait avoir le résultat le plus réussi.
Un objectif de cette étude était de comprendre les relations structure-performance des SSE. Le modèle prédit l’énergie d’activation, identifie les structures cristallines stables et améliore le flux de travail des scientifiques dans son ensemble. Leurs résultats démontrent que AB Initio Metad représente une technique de calcul optimale qui montre des niveaux élevés d’accord avec les données expérimentales pour les SSE d’hydrure complexes.
De plus, ils ont identifié un nouveau mécanisme de migration d’ions « en deux étapes » dans les SSE hydrure monovalents et divalents résultant de l’incorporation de groupes moléculaires. Tirant parti de l’analyse des fonctionnalités combinée à une régression linéaire multiple, ils ont réussi à construire des modèles prédictifs précis pour l’évaluation rapide des performances de SSE hydrure.
Notamment, le cadre proposé permet également une prédiction précise des structures candidates sans s’appuyer sur les entrées expérimentales. Collectivement, cette étude fournit des informations transformatrices et des méthodologies avancées pour la conception et l’optimisation efficaces des batteries à l’état solide de nouvelle génération, contribuant considérablement aux solutions énergétiques durables.
Les chercheurs prévoient d’élargir l’application de ce cadre dans diverses familles d’électrolytes. Ils prévoient également une utilisation pour des outils d’IA génératifs qui peuvent être en mesure d’explorer les voies de migration des ions et les mécanismes de réaction, améliorant ainsi la capacité prédictive de la plate-forme.
Les principaux résultats expérimentaux et informatiques sont disponibles dans la base de données dynamique de l’électrolyte à semi-conducteurs (DDSE) développé par l’équipe de Hao Li, la plus grande base de données d’électrolyte à semi-conducteurs rapportée à ce jour.
