L'IA prescrit de nouvelles combinaisons additives électrolytes pour une performance de batterie améliorée

Les batteries, comme les humains, nécessitent des médicaments pour fonctionner au mieux. Dans la technologie des batteries, ce médicament se présente sous la forme d'additifs électrolytiques, ce qui améliore les performances en formant des interfaces stables, en réduisant la résistance et en stimulant la capacité énergétique, entraînant une amélioration de l'efficacité et de la longévité.

Trouver le bon additif électrolytique pour une batterie, c'est beaucoup comme prescrire le bon médicament. Avec des centaines de possibilités à considérer, l'identification du meilleur additif pour chaque batterie est un défi en raison du grand nombre de possibilités et de la nature long des méthodes expérimentales traditionnelles.

Les chercheurs du laboratoire national du département américain de l'énergie (DOE) utilisent des modèles d'apprentissage automatique pour analyser des additifs électrolytes connus et prédire des combinaisons qui pourraient améliorer les performances de la batterie. Ils ont formé des modèles pour prévoir les mesures de batterie clés, comme la résistance et la capacité énergétique, et ont appliqué ces modèles pour suggérer de nouvelles combinaisons additives pour les tests.

En combinant l'apprentissage automatique avec des tests expérimentaux, les chercheurs ont rapidement identifié des additifs électrolytes efficaces, accélérant le processus de découverte par rapport aux méthodes traditionnelles, qui sont coûteuses et longues.

Cette recherche, maintenant publiée dans Communications de la naturea trouvé avec succès de nouvelles combinaisons additives qui ont surpassé celles existantes, montrant la puissance des techniques basées sur les données pour faire progresser la technologie des batteries et ouvrir la voie à des batteries efficaces et efficaces.

Prescription pour les performances de pointe

Lini_0,5MN_1.5O₄ Les batteries – composées de lithium, de nickel, de manganèse et d'oxygène, connues sous le nom de LNMO – utilisent à une tension élevée et offrent des avantages importants aux batteries traditionnelles. Ils ont une capacité énergétique plus élevée et éliminent le besoin de cobalt, un matériau critique associé aux préoccupations de la chaîne d'approvisionnement.

Bien que la tension plus élevée des batteries LNMO offre des avantages, il présente également des défis importants. Les batteries de téléphones portables et les cellules de véhicules électriques individuelles fonctionnent généralement à basse tension, autour de 4 volts. Mais une batterie LNMO fonctionnant à 5 volts dépasse de loin la limite de stabilité de tout électrolyte connu.

« La haute tension indique généralement une densité d'énergie élevée », a expliqué Chen Liao, chimiste Argonne et scientifique principal à l'Université de Chicago. « Mais il présente également de nombreux défis parce que l'électrolyte et la cathode sont dans un état très énergique qui peut conduire à la décomposition. Le fonctionnement à une telle tension peut être à la fois une bénédiction et une malédiction – les matériaux de la batterie doivent être exceptionnellement stables. »

L'introduction d'un additif électrolytique à la batterie LNMO pourrait aider à limiter la décomposition et à améliorer les performances de la batterie. Les chercheurs ont découvert que l'additif idéal se décompose pendant les premiers cycles de batterie, formant une interface stable sur les deux interfaces d'électrode.

Cette couche aide à réduire la résistance, ce qui signifie que moins d'énergie est gaspillée et moins de dégradation se produit, augmentant la production d'énergie de la batterie. L'utilisation d'un additif est également une approche économique. Les processus de fabrication de batteries sont matures et sont peu susceptibles de changer, mais simplement l'ajout d'un additif à la formulation d'électrolyte est un changement simple à adopter.

« Pensez à un additif comme la médecine », a déclaré Liao. « Cela améliore la batterie. »

Établir des liens avec l'apprentissage automatique

Pour explorer efficacement et abordable le vaste domaine des possibilités chimiques, les scientifiques utilisent des techniques d'apprentissage automatique pour découvrir et optimiser les matériaux. Ces techniques permettent de prédire les propriétés des matériaux, de concevoir des structures de matériaux avec des fonctionnalités souhaitées et d'identifier les candidats matériels grâce à l'analyse de l'ensemble de données.

Liao, un expérimentaliste, s'est associé à Hieu Doan, un scientifique informatique à Argonne, pour développer un modèle d'apprentissage automatique pour explorer d'éventuels additifs électrolytiques et déterminer leur effet sur les performances de la batterie LMNO.

« Le but ultime de ce travail était de dépister rapidement le meilleur additif pour le système », a déclaré Doan. « Ces additifs sont des molécules organiques avec différentes structures chimiques, donc elles se présentent sous différentes formes et taille. Le défi était de savoir comment regarder leur structure chimique et prédire leurs performances. »

Pour développer ce modèle, ils devaient collecter des données initiales mais étaient limitées par le nombre d'expériences qui pourraient raisonnablement être effectuées. Au lieu de cela, ils se sont concentrés sur la création d'un ensemble de données initial diversifié de 28 additifs qui incorporaient diverses fonctionnalités pour former efficacement le modèle.

Cette approche a permis à ce que le modèle reconnaisse diverses fonctionnalités pendant la formation, ce qui lui permet de faire des prédictions précises à l'avenir. Pour développer un modèle d'apprentissage automatique capable de prédire les performances des additifs de batterie, les chercheurs devaient « cartographier » la structure chimique de chaque additif à ses performances dans le système de batterie. Ils ont atteint cette cartographie en examinant les caractéristiques des molécules additives, appelées descripteurs.

Doan a expliqué: « Comment pouvons-nous décrire ces molécules afin que nous puissions utiliser le descripteur pour faire une prédiction sur les performances? » Il a comparé ce processus à la déduction de la profession de quelqu'un en fonction de son apparence; Par exemple, quelqu'un portant un costume et transportant une mallette pourrait être supposé être un avocat.

« Sur la base de cette fonctionnalité, vous établissez cette connexion. Vous l'avez déjà vu par expérience et vous avez corrélé ces deux choses ensemble », a déclaré Doan.

Le modèle d'apprentissage automatique est conçu pour suivre une logique similaire, établissant une connexion entre la structure chimique des additifs et leur impact sur les performances de la batterie, tout comme la façon dont les humains établissent des connexions en fonction de l'expérience.

Prédire le succès

Après avoir entraîné le modèle à l'aide de l'ensemble de données additif initial, Liao et Doan ont pu prédire les performances de 125 nouvelles combinaisons d'additifs. Le modèle a identifié avec succès plusieurs additifs prometteurs qui améliorent les performances de la batterie, surpassant les additifs des données initiales.

Cette méthode a non seulement gagné du temps et des ressources, mais a également démontré comment l'apprentissage automatique peut accélérer la découverte de nouveaux matériaux avec des propriétés souhaitées pour de meilleures batteries. En évitant 125 expériences traditionnelles, qui auraient pris environ quatre à six mois et nécessiteraient des coûts d'équipement importants, les chercheurs ont montré comment l'apprentissage automatique peut rationaliser la découverte à l'aide d'un petit ensemble de données expérimental.

« L'idée traditionnelle est que vous avez besoin de beaucoup de données pour former un modèle d'apprentissage automatique », a déclaré Doan. « Mais notre travail montre que vous n'avez pas besoin de beaucoup de données pour former un modèle de prédiction précis. Vous avez juste besoin d'un bon ensemble de données pour le faire correctement. »

En trouvant la bonne «prescription» par l'apprentissage automatique, les scientifiques peuvent s'assurer que les batteries fonctionnent au mieux, ouvrant la voie à des solutions énergétiques plus efficaces et plus durables.