Microsoft AI e il Pacific Northwest National Laboratory (PNNL) hanno scoperto un nuovo elettrolita solido che potrebbe ridurre drasticamente il consumo di litio nelle batterie fino a 70%.
Questo materiale innovativo, chiamato informalmente N2116, offre una soluzione ai problemi ambientali associati all'estrazione del litio.
Il litio, il componente principale di numerose tecnologie per le batterie, è destinato a scarseggiare in quanto già nel 2025con un aumento della domanda di dieci volte entro il 2030. L'estrazione del litio ha anche un'ampia impronta ambientale, con un notevole consumo di acqua e di energia.
Il processo end-to-end, dall'idea al prototipo di batteria funzionante, ha richiesto meno di nove mesi, mentre si stima che tradizionalmente sarebbero stati necessari circa due decenni.
I supercomputer di Microsoft hanno accelerato il processo, passando al setaccio 32 milioni di potenziali materiali inorganici e restringendoli a 18 candidati in meno di una settimana. Questo fa seguito a un una scoperta simile da parte di Google DeepMind, che ha creato un laboratorio di ricerca autonomo che ha scoperto circa 2 milioni di nuovi materiali.
Jason Zander, vicepresidente esecutivo di Microsoft, ha descritto il ruolo dell'IA affermando che alla BBCQuesto è il modo in cui penso che questo tipo di scienza verrà fatto in futuro".
Il nuovo elettrolita allo stato solido, N2116, rappresenta un'alternativa più sostenibile e sicura alle tradizionali batterie al litio liquide o al gel.
Le batterie allo stato solido promettono una ricarica più rapida e una maggiore densità energetica con cicli di carica prolungati. Grazie all'inclusione del sodio, un elemento più abbondante e meno costoso del litio, l'N2116 riduce il fabbisogno di litio mantenendo un'efficiente capacità di accumulo e trasferimento dell'energia.
Karl Mueller del PNNL ha sottolineato il ruolo dell'IA nella scoperta, affermando: "Abbiamo potuto modificare, testare e mettere a punto la composizione chimica di questo nuovo materiale e valutare rapidamente la sua fattibilità tecnica per una batteria funzionante, dimostrando la promessa dell'IA avanzata di accelerare il ciclo dell'innovazione".
Sfruttare l'intelligenza artificiale per la scoperta dei materiali
Microsoft e il Laboratorio Nazionale del Pacific Northwest (PNNL) ricerca ha comportato la combinazione dell'intelligenza artificiale con l'elaborazione ad alte prestazioni (HPC).
Ecco come si è svolto il processo:
- Identificazione dei materiali potenziali: Il team di Microsoft Quantum ha utilizzato l'intelligenza artificiale per analizzare un ampio database di materiali inorganici. Da questo hanno inizialmente identificato circa 500.000 materiali stabili in pochi giorni.
- Restringere i candidati: Utilizzando Azure Quantum Elements di Microsoft, il team ha ulteriormente affinato la ricerca da questi 500.000 materiali a 18 candidati promettenti per lo sviluppo di batterie. Questo processo è stato completato in sole 80 ore, dimostrando la notevole velocità con cui l'intelligenza artificiale può operare.
- Combinare l'IA con l'HPC Gli strumenti di intelligenza artificiale sono stati addestrati a valutare vari elementi chimici e le loro combinazioni. Hanno proposto un pool enorme di 32 milioni di candidati, che sono stati poi filtrati da diversi strumenti di intelligenza artificiale in base alla stabilità, alla reattività e al potenziale di conduzione energetica.
- HPC per la verifica: La fase successiva prevedeva l'utilizzo dell'HPC per ulteriori verifiche. Questo includeva l'uso della teoria funzionale della densità per calcolare l'energia di ciascun materiale e le simulazioni di dinamica molecolare per analizzare i movimenti di atomi e molecole all'interno dei materiali.
- Selezione finale dei candidati: Dopo questo intenso processo di calcolo, l'elenco si è ristretto a 150 candidati. Un'ulteriore valutazione di aspetti pratici come la disponibilità e il costo ha ridotto il numero a 23, di cui cinque già noti.
- Sviluppo del prototipo: La fase finale ha visto gli scienziati del PNNL sintetizzare il materiale scelto e svilupparlo in un prototipo di batteria funzionante. Questa fase è fondamentale per testare la funzionalità e la fattibilità del materiale.
La capacità dell'IA di lavorare con grandi quantità di dati complessi e di sintetizzare nuove conoscenze dalle fondamenta si è dimostrata immensamente efficace.
Per esempio, oltre ai materiali, l'IA sta accelerando la scoperta di nuove molecole terapeuticamente significative per sviluppo di antibiotici e farmaci.
