Microsoft AI och Pacific Northwest National Laboratory (PNNL) har hittat en ny fast elektrolyt som drastiskt kan minska användningen av litium i batterier med upp till 70%.
Detta banbrytande material, som informellt kallas N2116, erbjuder en lösning på de miljöproblem som är förknippade med litiumutvinning.
Litium, som är den primära komponenten i många batteritekniker, väntas bli en bristvara när redan 2025och en tiofaldig ökning av efterfrågan förväntas till 2030. Litiumutvinning har också en stor miljöpåverkan och kräver mycket vatten och energi.
Hela processen, från koncept till fungerande batteriprototyp, tog mindre än nio månader, vilket de uppskattar skulle ha tagit cirka två decennier.
Microsofts superdatorer påskyndade processen genom att gå igenom 32 miljoner potentiella oorganiska material och begränsa dem till 18 kandidater på mindre än en vecka. Detta följer på en liknande genombrott av Google DeepMindsom skapade ett autonomt forskningslaboratorium som upptäckte cirka 2 miljoner nya material.
Jason Zander, Executive Vice President på Microsoft, beskrev AI:s roll på följande sätt till BBC"Det här är det sätt som jag tror att den här typen av vetenskap kommer att bedrivas på i framtiden."
Den nya elektrolyten, N2116, är ett mer hållbart och säkrare alternativ till traditionella litiumbatterier i vätske- eller gelform.
Solid-state-batterier utlovar snabbare laddning och högre energitäthet med längre laddningscykler. Genom att inkludera natrium, ett grundämne som förekommer i större mängd och är billigare än litium, minskar N2116 litiumbehovet samtidigt som energilagring och energiöverföring förblir effektiva.
Karl Mueller från PNNL lyfte fram AI:s roll i upptäckten och sa: "[Vi kunde] modifiera, testa och ställa in den kemiska sammansättningen av detta nya material och snabbt utvärdera dess tekniska genomförbarhet för ett fungerande batteri, vilket visar att avancerad AI kan påskynda innovationscykeln."
Utnyttja AI för materialupptäckt
Microsoft och Pacific Northwest National Laboratory (PNNL):s forskning innebar att kombinera AI med högpresterande datorsystem (HPC).
Här är en sammanfattning av hur denna process fungerade:
- Identifiering av potentiella material: Microsoft Quantum-teamet använde AI för att analysera en omfattande databas med oorganiska material. Utifrån denna identifierade de inledningsvis cirka 500 000 stabila material på bara några dagar.
- Begränsa urvalet av kandidater: Med hjälp av Microsofts Azure Quantum Elements förfinade teamet sin sökning ytterligare från dessa 500 000 material till 18 lovande kandidater för batteriutveckling. Denna process slutfördes på bara 80 timmar, vilket visar på den anmärkningsvärda hastighet med vilken AI kan arbeta.
- Kombinera AI med HPC AI-verktygen tränades i att utvärdera olika kemiska grundämnen och deras kombinationer. De föreslog en massiv pool med 32 miljoner kandidater, som sedan filtrerades genom olika AI-verktyg baserat på stabilitet, reaktivitet och energiledningspotential.
- HPC för verifiering: Nästa fas innebar att HPC användes för ytterligare verifiering. Detta inkluderade användning av täthetsfunktionell teori för att beräkna energin i varje material och molekyldynamiksimuleringar för att analysera atomernas och molekylernas rörelser i materialen.
- Slutligt urval av kandidater: Efter denna intensiva beräkningsprocess minskades listan till 150 kandidater. Ytterligare utvärdering av praktiska aspekter som tillgänglighet och kostnad minskade detta antal till 23, varav fem redan var kända.
- Utveckling av prototyper: Det sista steget innebar att PNNL:s forskare syntetiserade det valda materialet och utvecklade det till ett fungerande prototypbatteri. Detta steg är avgörande för att testa materialets funktionalitet och genomförbarhet.
AI:s förmåga att arbeta med stora mängder komplex data och syntetisera ny förståelse från grunden har visat sig vara oerhört effektiv.
Till exempel, förutom material, påskyndar AI också upptäckten av nya terapeutiskt betydelsefulla molekyler för antibiotika- och läkemedelsutveckling.
