研究人员利用人工智能加速寻找更安全、更好的电池

随着清洁转型推动电动汽车的使用和电网的储能，电网越来越依赖风能和太阳能等可变可再生能源，电池火灾的危险也越来越大。为了在提高电池性能的同时限制这种风险，下一代电池可能依赖于新型固态电解质，但由于材料选择和所涉及的参数太多，研究受到了阻碍

然而，机器学习正在起到拯救作用。一组材料科学家开发了一个新的、包含数百种固态电解质的动态数据库，他们将人工智能技术应用于该数据库，这些技术已经将研究引向了更好的方向

2023年9月10日，一篇描述其方法的论文发表在《纳米材料科学》杂志上。

有机溶剂通常用作电解质&mdash；促进带电粒子或离子在正极和负极之间移动的物质，通常是液体或凝胶；在许多可充电电池中

这种类型的溶剂提供了良好的导电性，并允许离子在电极之间有效传输，但一系列安全和性能问题意味着电池研究人员长期以来一直在寻找替代电解质材料

特别是，有机溶剂可能是易燃的，并可能导致热失控反应，导致火灾或爆炸。此外，有机溶剂容易发生化学分解，随着时间的推移，会导致气体的形成和电解质的分解，从而降低电池的性能和寿命。此外，它们有时会受到电池可以工作的有限电压范围的影响

一种替代途径是全固态电池（ASSBs），其中传统的液体或凝胶有机溶剂被固体电解质取代&mdash；从而消除了泄漏和爆炸的问题。这些固态电解质不仅提高了安全性，还提供了更高的能量密度；潜在的&mdash；更快的充电时间

然而，寻找具有高离子电导率的固态电解质或SSE的旅程&mdash；离子在电池中移动并产生电流的能力&mdash；一直充满挑战，主要是由于其复杂的结构以及这些结构与性能之间的关系。到目前为止，只发现了离子迁移缓慢的SSE。如果没有高性能SSE，ASSB的发展就会受到严重阻碍

“更糟糕的是，可供选择的SSE数量之多，”东北大学高级材料研究所的材料科学家、该论文的通讯作者郝力说。“有数百种可能性，对研究人员来说，在跟踪许多不同的最佳性能参数的同时，解决如此多的选择是一个真正的挑战。”

因此，该团队开发了一个实验动态数据库，即固态电解质动态数据库（DDSE），最初包含600多种潜在的固态电解质材料，涵盖广泛的操作温度，包括各种阳离子和阴离子（正离子和负离子），以探索不同变量之间的关系

动态数据库是一种设计为易于频繁更新和修改的数据库，允许对其包含的数据进行实时更改和添加。这种类型的数据库通常用于信息不断演变的情况。在这种情况下，用新的实验数据不断更新DDSE。该数据库每周更新一次，截至2024年1月，包含1000多份材料

研究人员随后将机器学习应用于DDSE，以克服人类分析的局限性和理论计算的巨大计算费用。在缺乏机器学习的情况下，研究人员一直在努力通过计算来争论SSE的大型原子系统以及所涉及的化学反应的复杂性

通过利用机器学习，研究人员可以以更低的计算（和财务）费用对新型固态电解质材料进行更好的预测，与之前的SSE设计尝试相比，时间浪费最小

在这样做的过程中，他们已经开始梳理出多个不同变量之间的复杂关系，包括离子传输、成分、活化能（启动化学反应所需的能量）和电导率，从而能够开发出一套新的SSE设计指南。研究人员已经确定了各类材料的SSE的发展和性能趋势，以及每类SSE的性能瓶颈

DDSE还设计了一个用户友好的界面，使原始团队之外的其他电池和材料科学家能够自己更新和使用它