科学家们利用人工智能用一种新材料制造了一种低锂电池，这种材料只花了几个小时就发现了

微软的人工智能工具在短短 80 小时内将 3200 万种理论材料缩小到 18 种，科学家们合成了一种可以将电池中锂的使用量减少 70% 的材料。

一项人工智能 (AI) 程序发现了一种自然界中未发现的材料，可以将电池中的锂用量减少高达 70%。

这种新材料是钠、锂、钇和氯离子的混合物，是一种混合金属氯化物，被认为是 3200 万候选材料中的最佳选择。

锂是可充电电池的主要成分，近年来对这种金属的需求猛增。然而，获取该元素的采矿过程特别能源密集型，并且经常造成持久的水和土地污染。这意味着许多公司正在寻找替代材料来制造电池。

太平洋西北国家实验室 (PNNL) 与 Microsoft 合作实现了这一目标。研究人员利用微软的Azure Quantum Elements工具筛选了可用于低锂电池的潜在新材料。科学家们于 1 月 8 日在预印本服务器arXiv上发表了他们的发现。

构建新型电池

电池的工作原理是使带电粒子在正极和负极端子（称为电极）之间来回穿梭。连接电线后，锂离子从负极通过称为电解质的导电物质移向正极。与此同时，电子通过电线沿相同方向移动，从而能够从电池中汲取能量。

在这项研究中，研究人员重点关注固体电解质材料，科学家希望将其开发为当前液体电解质的更安全、更有效的替代品。至关重要的是，电解质材料必须与电极兼容，并允许锂离子轻松通过，同时完全阻止电子在电池中的移动。

相关：新的电池技术将在这个十年结束之前缩短充电时间并提高电动汽车的续航里程

他们从超过 3200 万种可能的候选材料开始——通过将不同元素交换到现有电解质结构中而产生——并结合使用人工智能技术根据材料的特性来过滤材料。

“通过这些理论计算机计算生成的许多候选材料实际上不够稳定，无法在实验室中制造它们，因此他们的第一步是通过稳定性进行过滤，”Kandler Smith，国家可再生能源实验室的机械工程师告诉《生活科学》。最初的筛选在几个小时内将他们的材料从 3200 万增加到 50 万。

然后，该团队选择了其他 9 个标准，并使用 AI 依次应用它们，根据候选者的电子特性、成本和强度对候选者进行排序，将决赛入围者缩小到 18 名。 “令我印象深刻的是，他们仅用了 80 个计算机小时就实现了这一切——如果要通过实验筛选所有这些材料，需要 20 年的时间，”史密斯说。 “他们的机器学习管道与基于物理的分子动力学模型相结合，是一个巨大的收获，将真正加快研究速度。”

研究人员合成了一系列最终材料，其中含有不同比例的锂、钠、稀土元素钇和氯离子。有趣的是，这种锂和钠的混合物允许该材料传导两种类型的离子——这在以前被认为是不可能的——并且也可以在钠离子电池中使用。特别是，其中一种高钠电池的锂含量比传统电池少 70%，这可以在未来大幅降低这些电池的价格和对环境的影响。

人工智能驱动的材料发现的起点

该团队随后测试了候选者的电子特性。 “离子电导率——锂离子移动的速度——是电解质的关键特性，决定了电池充电的速度。这对于电动汽车至关重要，”史密斯解释道。

传统的锂离子电池使用液体有机溶剂电解质，可以让离子快速移动，从而实现快速充电。但溶剂是易燃的，并且随着时间的推移，与电极的副反应会导致电池退化。 “固态电解质的优点是化学性质更稳定且不易燃。缺点是它们不能快速移动锂离子，因此充电时间更慢，”史密斯说。

AI 识别出的最佳候选材料的导电性比当今的液体电解质低一个数量级（充电时间为 30 分钟和 5 小时之间的差异），因此该材料的电子性能需要改进才能适合实际应用。应用程序。微软代表在一封电子邮件中告诉《生活科学》，研究人员确实用最终材料构建了一个工作原型，并用它为灯泡供电。

 史密斯认为这是一个很好的起点。但他解释说，利用人工智能简化材料发现是这项工作中最有影响力的成就，同样的机器学习管道可以支持数百个其他相关领域的研究。

这是微软和 PNNL 未来都热衷于探索的事情。 PNNL 首席数字官布莱恩·亚伯拉罕森 (Brian Abrahamson) 在一份声明中表示：“新的电池结果只是一个例子，如果你愿意的话，也可以作为证据。” “我们很早就认识到，这里的魔力在于人工智能协助识别有前途的材料的速度，以及我们立即将这些想法在实验室中付诸实践的能力。我们计划通过融合来突破可能的界限。尖端技术和科学专业知识。”