پژوهشگران آمریکایی در تازهترین تحقیقات خود موفق شدهاند از یک مدل هوش مصنوعی مولد برای طراحی فرمولاسیون کامل الکترولیت باتری استفاده کنند؛ دستاوردی که میتواند روند توسعه نسل جدید باتریهای لیتیومفلزی را سرعت ببخشد و افقهای تازهای را پیش روی صنعت ذخیرهسازی انرژی قرار دهد.
به گزارش پایگاه خبری حکمرانی هوشمند، الکترولیتها یکی از مهمترین اجزای باتری به شمار میروند و تنها از یک ماده شیمیایی تشکیل نشدهاند، بلکه مجموعهای پیچیده از نمکها، حلالها و افزودنیهای مختلف هستند که عملکرد آنها به نحوه تعامل این ترکیبات با یکدیگر وابسته است. در همین راستا، پژوهشگران «دانشکده مهندسی مولکولی پریتزکر دانشگاه شیکاگو» با توسعه مدل هوش مصنوعی «ElectrolyteGPT» تلاش کردهاند این پیچیدگیها را به شکلی هدفمند مدیریت کنند.
«جائمین کیم» از اعضای این پروژه درباره اهمیت این فناوری گفت: «الکترولیتهای باتری نسل بعدی باید الزامات خواص چندگانه و اغلب متناقض را برآورده کنند. الکترولیتجیپیتی با قابلیت تولید خروجیها در شرایط متنوع، قادر به تولید گزینههای جدیدی است که خواص مورد نظر را به طور همزمان برآورده میکنند.»
برخلاف بسیاری از سامانههای هوش مصنوعی که تنها در انتخاب مواد اولیه نقش دارند، این مدل قادر است تمامی جزئیات فرمولاسیون از جمله نوع مواد، غلظتها، نسبتهای اختلاط و سایر پارامترهای مؤثر را تعیین کند. هدف از این فرآیند دستیابی همزمان به ویژگیهایی نظیر رسانایی بالا، پایداری مناسب و گرانروی مطلوب است.
نتایج آزمایشها نشان دادهاند که برخی از ترکیبهای پیشنهادی این سامانه عملکردی همسطح بهترین الکترولیتهای مورد استفاده در باتریهای لیتیومفلزی دارند. «چیبوئزه آمانچوکو» سرپرست این پروژه در اینباره اظهار کرد: «این یک گام مهم به سوی هدف بلندمدت یعنی یافتن الکترولیتهایی است که بهتر از بهترین گزینههای کنونی عمل میکنند.»
به گفته پژوهشگران، یکی از چالشهای اصلی در توسعه باتریها، تعداد بسیار زیاد مولکولها و ترکیبهای احتمالی است. برآوردها نشان میدهد تعداد مولکولهای بالقوه برای ساخت الکترولیت باتری به عددی در حدود ۱۰ به توان ۶۰ میرسد؛ رقمی که بررسی همه آنها با روشهای سنتی عملاً غیرممکن است. از همین رو، هوش مصنوعی میتواند با جستوجو در این فضای گسترده، مسیرهای جدیدی را برای کشف مواد ناشناخته باز کند.
آمانچوکو با اشاره به تفاوت این مدل با سامانههای رایج کشف دارو گفت: «ما مجموعهای از دادهها را گردآوری کردهایم که ترکیبات مرتبط با الکترولیت را دارند؛ به طوری که مدل GPT فقط درباره الکترولیتها اطلاعات دارد.» به گفته وی، این رویکرد باعث شده خروجیهای تولیدشده به طور ویژه برای کاربردهای باتری طراحی شوند.
پژوهشگران معتقدند اگرچه این فناوری هنوز در مراحل توسعه قرار دارد، اما نتایج اولیه نشان میدهد هوش مصنوعی میتواند به ابزاری مؤثر برای طراحی نسل آینده مواد پیشرفته تبدیل شود. یافتههای این تحقیق نیز در نشریه علمی JACS Au منتشر شده است.
انتهای پیام
