Microsoft AI og Pacific Northwest National Laboratory (PNNL) har funnet en ny fast elektrolytt som kan redusere litiumforbruket i batterier drastisk, med opptil 70%.
Dette banebrytende materialet, som har fått det uformelle navnet N2116, tilbyr en løsning på miljøproblemene knyttet til litiumutvinning.
Litium, som er den viktigste komponenten i en rekke batteriteknologier, forventes å bli en mangelvare allerede i 2025, og det forventes en tidobling av etterspørselen innen 2030. Litiumutvinning har også et stort miljøavtrykk, og krever mye vann og energi.
Hele prosessen, fra konsept til fungerende batteriprototype, tok mindre enn ni måneder, mens de anslår at det tradisjonelt ville ha tatt rundt to tiår.
Microsofts superdatamaskiner akselererte prosessen, gikk gjennom 32 millioner potensielle uorganiske materialer og snevret dem inn til 18 kandidater på under en uke. Dette skjer etter en lignende gjennombrudd av Google DeepMindsom skapte et autonomt forskningslaboratorium som oppdaget rundt 2 millioner nye materialer.
Jason Zander, Executive Vice President i Microsoft, beskrev AIs rolle på følgende måte til BBC"Det er slik jeg tror denne typen forskning kommer til å bli utført i fremtiden."
Den nye faststoffelektrolytten, N2116, representerer et mer bærekraftig og tryggere alternativ til tradisjonelle litiumbatterier i væske- eller gelelignende form.
Faststoffbatterier lover raskere lading og større energitetthet med lengre ladesykluser. Ved å inkludere natrium, et grunnstoff som det finnes mer av og som er billigere enn litium, reduserer N2116 behovet for litium samtidig som energilagring og -overføring opprettholdes.
Karl Mueller fra PNNL fremhevet AIs rolle i oppdagelsen og sa: "[Vi kunne] modifisere, teste og finjustere den kjemiske sammensetningen av dette nye materialet og raskt evaluere dets tekniske levedyktighet for et fungerende batteri, noe som viser at avansert AI kan bidra til å akselerere innovasjonssyklusen."
Utnyttelse av kunstig intelligens for materialoppdagelse
Microsoft og Pacific Northwest National Laboratory (PNNL) forskning innebar å kombinere kunstig intelligens med høyytelsesdatabehandling (HPC).
Her er en oversikt over hvordan denne prosessen fungerte:
- Identifisere potensielle materialer: Microsoft Quantum-teamet brukte kunstig intelligens til å analysere en omfattende database med uorganiske materialer. Ut fra denne identifiserte de rundt 500 000 stabile materialer på bare noen få dager.
- Begrensning av kandidater: Ved hjelp av Microsofts Azure Quantum Elements raffinerte teamet søket ytterligere fra disse 500 000 materialene til 18 lovende kandidater for batteriutvikling. Denne prosessen ble fullført på bare 80 timer, noe som viser hvor bemerkelsesverdig raskt kunstig intelligens kan operere.
- Kombinere AI med HPC AI-verktøyene ble trent opp til å evaluere ulike kjemiske elementer og kombinasjoner av disse. De foreslo et massivt utvalg på 32 millioner kandidater, som deretter ble filtrert gjennom ulike AI-verktøy basert på stabilitet, reaktivitet og energiledningspotensial.
- HPC for verifisering: I neste fase ble HPC brukt til ytterligere verifisering. Dette inkluderte bruk av tetthetsfunksjonell teori for å beregne energien i hvert materiale og molekyldynamikksimuleringer for å analysere bevegelsene til atomer og molekyler i materialene.
- Endelig utvelgelse av kandidater: Etter denne intense beregningsprosessen ble listen redusert til 150 kandidater. Ytterligere evaluering av praktiske aspekter som tilgjengelighet og pris reduserte dette antallet til 23, hvorav fem allerede var kjent.
- Utvikling av prototyper: Det siste trinnet innebar at PNNL-forskerne syntetiserte det valgte materialet og utviklet det til en fungerende batteriprototyp. Denne fasen er avgjørende for å teste materialets funksjonalitet og levedyktighet.
AIs evne til å arbeide med store mengder komplekse data og syntetisere ny forståelse fra grunnen av har vist seg å være svært effektiv.
I tillegg til materialer, bidrar kunstig intelligens for eksempel også til å akselerere oppdagelsen av nye terapeutisk viktige molekyler for antibiotika- og legemiddelutvikling.
