用大數(shù)據(jù)方法協(xié)助研發(fā)下一代電池電解液

發(fā)現(xiàn)新的、強(qiáng)大的電解質(zhì)是為電動(dòng)汽車、手機(jī)、筆記本電腦和電網(wǎng)規(guī)模儲能設(shè)計(jì)下一代電池的主要瓶頸之一。

最穩(wěn)定的電解質(zhì)并不總是最導(dǎo)電的。最高效的電池并不總是最穩(wěn)定的。等等。

“電極必須同時(shí)滿足非常不同的特性。他們總是相互沖突，“在芝加哥大學(xué)普利茲克分子工程學(xué)院 （UChicago PME） 的 Amanchukwu 實(shí)驗(yàn)室工作的 Eric 和 Wendy Schimdt 人工智能科學(xué)博士后研究員 Ritesh Kumar 說。

Kumar 是發(fā)表在《材料化學(xué)》上的一篇新論文的第一作者，該論文將人工智能和機(jī)器學(xué)習(xí)應(yīng)用于工作。該論文概述了一個(gè)新的框架，用于尋找分子，這些分子可以最大限度地利用構(gòu)成理想電池電解質(zhì)的三個(gè)成分——離子電導(dǎo)率、氧化穩(wěn)定性和庫侖效率。

該小組從鋰離子電池研究早期的 250 篇研究論文中匯編而成的數(shù)據(jù)集中提取，使用 AI 來統(tǒng)計(jì)他們所謂的不同分子的“eScore”。eScore 平衡了這三個(gè)標(biāo)準(zhǔn)，確定了滿足所有三個(gè)條件的分子。

“一種特性中的冠軍分子不是另一種特性中的冠軍分子，”Kumar 的首席研究員、芝加哥大學(xué) PME Neubauer Family 分子工程助理教授 Chibueze Amanchukwu 說。

他們已經(jīng)測試了他們的工藝，使用 AI 來識別一種性能與市場上最好的電解質(zhì)一樣好的分子，這在通常依賴于試錯(cuò)法的領(lǐng)域中取得了重大進(jìn)步。

“電解質(zhì)優(yōu)化是一個(gè)緩慢且具有挑戰(zhàn)性的過程，研究人員經(jīng)常求助于試錯(cuò)法來平衡多組分混合物中的競爭特性，”未參與這項(xiàng)研究的西北大學(xué)化學(xué)與生物工程助理教授 Jeffrey Lopez 說。“這些類型的數(shù)據(jù)驅(qū)動(dòng)型研究框架對于幫助加速新電池材料的開發(fā)以及利用人工智能驅(qū)動(dòng)的科學(xué)和實(shí)驗(yàn)室自動(dòng)化的進(jìn)步至關(guān)重要。”

電池的音樂

人工智能為科學(xué)家在實(shí)驗(yàn)室中測試發(fā)現(xiàn)了有前途的候選者，從而減少了他們在死胡同和錯(cuò)誤開始上浪費(fèi)的時(shí)間、精力和資源。芝加哥大學(xué) PME 的研究人員已經(jīng)在使用 AI 來幫助開發(fā)癌癥治療、免疫療法、水處理方法、量子材料和其他新技術(shù)。

鑒于可以制造電池電解質(zhì)的理論分子數(shù)為 1060，或者后面有 60 個(gè) 0 的 1，則可以從數(shù)十億個(gè)非啟動(dòng)者中標(biāo)記可能的贏家的技術(shù)為研究人員提供了巨大的優(yōu)勢。

“我們不可能通過數(shù)億種化合物說，'哦，我認(rèn)為我們應(yīng)該研究這個(gè)，'”Amanchukwu 說。

Amanchukwu 將 AI 用于研究與在線聽音樂進(jìn)行了比較。

想象一下，一個(gè) AI 對特定人的音樂品味進(jìn)行了訓(xùn)練，這些品質(zhì)的組合會(huì)融入他們自己的好歌個(gè)人 eScore。新的電解質(zhì)研究創(chuàng)造了相當(dāng)于 AI 的 AI，它可以遍歷現(xiàn)有的播放列表，并一首歌一首地預(yù)測這個(gè)人是否會(huì)喜歡它。下一步將是一個(gè) AI，它可以創(chuàng)建一個(gè)它認(rèn)為人們會(huì)喜歡的歌曲播放列表，這是一個(gè)微妙但重要的概念調(diào)整。

最后一步，也是 Amanchukwu 實(shí)驗(yàn)室 AI 研究的目標(biāo)，將是可以編寫音樂的 AI，或者在這種情況下設(shè)計(jì)一個(gè)滿足所有給定參數(shù)的新分子。

平面設(shè)計(jì)的怪癖

從 2020 年開始，該團(tuán)隊(duì)開始手動(dòng)整理 AI 的訓(xùn)練數(shù)據(jù)。

“目前的數(shù)據(jù)集有數(shù)千種潛在的電解質(zhì)，我們從跨越 50 多年的研究文獻(xiàn)中提取，”Kumar 說。

他們必須手動(dòng)輸入數(shù)據(jù)的原因之一不是來自化學(xué)，而是來自平面設(shè)計(jì)。

當(dāng)研究人員撰寫論文和期刊以雜志格式排列它們時(shí)，團(tuán)隊(duì)轉(zhuǎn)換為 eScores 的數(shù)字通常會(huì)在圖像中找到。這些是 jpeg 或 .png 插圖、圖表、圖表和其他圖形，它們在文本中運(yùn)行，但不是文本本身的一部分。

大多數(shù)使用研究論文進(jìn)行訓(xùn)練的大型語言模型只是閱讀文本，這意味著芝加哥大學(xué) PME 團(tuán)隊(duì)將在未來一段時(shí)間內(nèi)手動(dòng)輸入訓(xùn)練數(shù)據(jù)。

“即使是今天的模型也確實(shí)難以從圖像中提取數(shù)據(jù)，”Amanchukwu 說。

盡管訓(xùn)練數(shù)據(jù)非常龐大，但這只是第一步。

“我不想找到已經(jīng)在我的訓(xùn)練數(shù)據(jù)中的分子，”Amanchukwu 說。“我想在非常不同的化學(xué)空間中尋找分子。因此，我們測試了這些模型在看到以前從未見過的分子時(shí)的預(yù)測能力。

該團(tuán)隊(duì)發(fā)現(xiàn)，當(dāng)一個(gè)分子在化學(xué)上與訓(xùn)練數(shù)據(jù)中的分子相似時(shí)，AI 會(huì)高精度地預(yù)測它能制造出多好的電解質(zhì)。它努力標(biāo)記不熟悉的材料，這標(biāo)志著該團(tuán)隊(duì)在尋求使用 AI 設(shè)計(jì)下一代電池的下一個(gè)挑戰(zhàn)。