KI entwickelt Batterielektrolyte: Vom Materialauswahl hin zur Systemgestaltung

Während Künstliche Intelligenz (KI) bereits bewiesen hat, dass sie bei der Eingrenzung geeigneter Einzelmaterialien für solche Systeme nützlich ist, treiben Forscher die Technologie nun weiter voran.

Ein Team der Pritzker School of Molecular Engineering an der University of Chicago hat einen KI-Ansatz entwickelt, der gesamte Elektrolytformulierungen generieren kann, anstatt lediglich einzelne Komponenten auszuwählen.

Die in der Zeitschrift *JACS Au* veröffentlichte Arbeit stellt eine Weiterentwicklung der laufenden KI-Plattform des Amanchukwu Lab für die Batterieforschung dar, die als ElectrolyteGPT bekannt ist. Laut Erstautor Jaemin Kim müssen Elektrolyte für Batterien der nächsten Generation mehrere, oft widersprüchliche Leistungsanforderungen erfüllen.

Technik und Auswirkungen

Die Fähigkeit des Modells, unter unterschiedlichen Bedingungen zu arbeiten, ermöglicht es, neue Elektrolyt-Kandidaten zu entwickeln, die gleichzeitig diese anspruchsvollen Leistungsziele erfüllen. Das KI-gestützte Design hebt die Leistungsbenchmarks für Batterieelektrolyte.

Statt lediglich zu entscheiden, welche Materialien enthalten sein sollten, bestimmt die KI die vollständigen Formulierungsdetails – einschließlich Konzentrationen, Mischungsverhältnisse und anderer Schlüsselparameter der Elektrolytmischung.

Dabei arbeitet die KI an vordefinierten Leistungszielen, die elektrische Leitfähigkeit, Stabilität, Viskosität und verwandte Eigenschaften umfassen.

Was die Studie zeigt

Als die Forscher die synthetisierten und testeten, identifizierten sie mehrere neue Elektrolytzusammensetzungen, die die Leistung dem korrespondierenden Autor, Professor Chibueze Amanchukwu, stellt dies einen bedeutenden Schritt in Richtung des übergeordneten Ziels dar, Elektrolyte zu entdecken, die die derzeit führenden Referenzwerte übertreffen.

Die Forscher berichteten, dass mehrere KI-generierte Elektrolytzusammensetzungen eine Leistung erzielten, die mit Systemen des Standes der Technik vergleichbar ist. Dies stärkt das Vertrauen in die Fähigkeit des Modells, Ergebnisse auf Expertenniveau nachzubilden.

Obwohl die Ergebnisse vielversprechend sind, unterstreichen sie auch, dass weitere Verfeinerungen und Untersuchungen erforderlich sind, bevor der Ansatz konsistent bestehende Referenzwerte übertreffen kann. Die Anzahl der möglichen Moleküle für Batterieelektrolyte wird auf etwa 10⁶⁰ geschätzt – mehr als die Anzahl der Sterne im beobachtbaren Universum.

Technischer Hintergrund

Das Testen jedes einzelnen für den Einsatz in Batterien, Krebstherapien oder anderen fortschrittlichen Materialien liegt weit über die Lebensdauer eines Menschen hinaus. Und diese Zahl bezieht sich lediglich auf einzelne Moleküle, nicht auf die nahezu unendliche Anzahl möglicher Kombinationen zu verschiedenen Formulierungen und Mischungen.

Die Entdeckung erweitert die Möglichkeiten im Design Kim ist es nicht machbar, den nahezu unendlichen Raum möglicher Elektrolytchemien vollständig zu erforschen. Generative KI kann jedoch dabei helfen, diese unerforschten Regionen des chemischen Raums zu navigieren und völlig neue Moleküle vorzuschlagen, die möglicherweise noch nie synthetisiert wurden.

Das System ist in der Lage, theoretische Kandidaten in einem Tempo zu erzeugen, das weit über menschliche Fähigkeiten hinausgeht, und wählt diejenigen aus, die es basierend auf aus Trainingsdaten gelernten Mustern als für bestimmte Anwendungen geeignet voraussieht.

Technik und Auswirkungen

Diese KI-generierten Vorschläge werden anschließend im Labor validiert, wobei Forscher sie mit denselben experimentellen Verfahren testen, die auch für angewendet werden.

Die KI wird in der Wirkstoffentwicklung weit verbreitet eingesetzt, was zunächst eine Herausforderung für Amanchukwus Team darstellte, da die meisten bestehenden GPT-Modelle auf Daten trainiert wurden, die Wirkstoffähnliche Moleküle bevorzugen und nicht solche, die für Batterieanwendungen geeignet sind.

Nach Amanchukwus Aussage führen standardisierte, auf der Literatur basierende Datensätze tendenziell zu irrelevanten, pharmazeutisch ausgerichteten Ergebnissen. Um dies zu lösen, erstellte das Team einen kuratierten Datensatz, der sich spezifisch auf Elektrolyt-relevante Verbindungen konzentriert und damit den Wissensbestand des Modells effektiv einschränkt.

Infolgedessen erzeugt das System bei Aufforderung zur Generierung neuer Lösungsmittelmoleküle Kandidaten, die lebensfähige Batterieelektrolyten ähneln, anstatt pharmazeutischer Verbindungen.