AI opdager nye materialer til næste generations batterier

Lithium versus resten

Lithium‑ion‑batterier har indtil nu domineret elektrificeringslandskabet, hovedsageligt på grund af lithiumatomernes unikke elektriske egenskaber. Kort sagt er lithium, som er det 3^rd letteste grundstof i det periodiske system, det mest kraftfulde, når det gælder at bære ladninger med en enkelt elektron.

Kilde: Medium

Dog er lithium dyrt, hvilket gør alternative batterikemi potentielt økonomisk attraktive. Især har natrium‑ion‑batterier fået stigende opmærksomhed af netop denne grund.

Det ser ud til, at et andet design kan have mere potentiale end tidligere antaget: multivalent‑ion‑batterier. De bruger metalliske ioner, der kan bære mere end én elektron ad gangen, og kan være mere omkostningseffektive end lithium‑ion‑batterier.

Det seneste gennembrud blev opnået ved at bruge AI til at teste millioner af kombinationer af batterimaterialer. Opdagelsen blev gjort af forskere ved New Jersey Institute of Technology (NJIT) og Rensselaer Polytechnic Institute (RPI) (USA). De offentliggjorde deres resultater i Cell Reports Physical Science¹ under titlen ”Generative AI for discovering porous oxide materials for next-generation energy storage”.

De mange typer ion‑batterier

Hvis lithium‑ion overtog små elektronikprodukter og tidlige elbil‑design takket være sin energitæthed, kan mange andre metalliske ioner anvendes efter samme princip.

Som nævnt er natrium‑ion i øjeblikket et populært alternativ, der i stigende grad masseproduceres til billige elbilmodeller.

En anden mulighed er at bruge magnesium, calcium, aluminium eller zink, som alle er multivalente ioner. Det betyder, at de bærer to eller endda tre positive ladninger.

Dog medfører den større ladning også større størrelser. Begge større atomspecifikationer gør det udfordrende at indkapsle multivalente ioner effektivt i batterimaterialer, hvilket reducerer batteriets tæthed for meget til at være kommercielt levedygtigt.

Dette var i hvert fald sandt for konventionelle batterimaterialer udviklet til lithium‑ eller natrium‑ioner. Men de er langt fra de eneste mulige batterimaterialer, der kan anvendes. Mange andre krystallinske strukturer kunne bygges til at huse ionerne, hvis bevægelse bærer de elektriske ladninger.

“En af de største forhindringer var ikke mangel på lovende batterikemi — det var den rene umulighed at teste millioner af materialkombinationer,”

Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

AI assisterer forskning

En kraftfuld assistent

Menneskelige hjerner er ikke de bedste til at håndtere datasæt, hvor tallene løber op i millioner. Men AI’er er fremragende til det.

Det er en voksende tendens blandt forskere, især inden for materialvidenskab eller biotek, at bruge AI‑teknologi til at hjælpe med at identificere de mest lovende idéer, før de analyseres og testes mere grundigt.

“Vi vendte os mod generativ AI som en hurtig, systematisk måde at gennemgå dette enorme landskab og finde de få strukturer, der virkelig kan gøre multivalente batterier praktiske.

Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

Tidligere ville en beregningsmodel, der kun stolede på fysik, ikke have kunnet håndtere den ekstremt komplekse beregning, der kræves for at modellere en ny type krystallstruktur.

Men nye typer AI, baseret på maskinlæring og neurale netværk, er bedre i stand til at “gætte” de generelle egenskaber ved et materiale uden formel matematisk beregning af den underliggende fysik.

Kilde: Cell

Forskerne udviklede et system, der samtidig benyttede to forskellige typer AI, én med ekspertise inden for krystaller, og én LLM (Large Language Model), den samme teknologiske base som ligger bag ChatGPT.

Kilde: Cell

Crystal Diffusion Variational Autoencoder (CDVAE)

CDVAE‑modellen genererede 10.000 strukturer, som blev underlagt en række præcise screenings‑ og validerings‑trin for at sikre, at de opfyldte de nødvendige standarder.

For eksempel kontrollerede den, at afstanden mellem atompar var tilstrækkelig stor, eller at systemet var elektrisk neutralt.

Denne metode genererede 42 strukturer, der potentielt kan anvendes til batterimaterialer.

Af disse matchede 21 strukturer eksisterende poster i databasen, men tilbød nye konfigurationer med forskelle i stoikiometri, gitterparametre eller rumgrupper. De resterende 21 strukturer var helt nye.

Kilde: Cell

Så skabte den både nye versioner af eksisterende materiale, som tidligere var ukendte, samt helt nye potentielle batterimaterialer.

LLM

Forskerne brugte derefter Metas (FB ) Llama-3.1-8B, specielt kalibreret og tilpasset til at generere krystalstrukturer.

Kilde: Cell

Dette genererede over 10.000 krystalstrukturer, hvoraf 1.087 strukturer forblev efter kontrol for strukturel integritet. Ved at bruge de samme filtre som med CDVAE resulterede dette i 13 potentielle kandidater, hvoraf de 5 mest stabile strukturer blev udvalgt.

Kilde: Cell

Swipe for at rulle →

Udfordring af AI’ernes resultater

Forskerne brugte en matematisk testmetode kaldet “DFT relaxation”, hvor de beregnede materialets fri energi (relateret til stabilitet), for at kontrollere kvaliteten af det fundne materiale.

Det fremgår hurtigt, at de LLM‑genererede krystallinske materialer generelt var meget bedre og mere stabile end dem, der blev genereret med CDVAE.

Kilde: Cell

“Vores AI‑værktøjer accelererede opdagelsesprocessen dramatisk, hvilket afslørede fem helt nye porøse overgangsmetal‑oxidstrukturer, der viser bemærkelsesværdigt potentiale,”

Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

Kan det laves?

Teamet validerede deres AI‑genererede strukturer ved hjælp af kvantemekaniske simuleringer og stabilitetstests, hvilket bekræfter, at materialerne faktisk kan syntetiseres eksperimentelt og har stort potentiale for anvendelser i den virkelige verden.

“Disse materialer har store, åbne kanaler, der er ideelle til hurtigt og sikkert at transportere de store multivalente ioner – et kritisk gennembrud for næste generations batterier.”

Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

Det næste skridt vil være at samarbejde med eksperimentelle laboratorier for at syntetisere og teste de nykonceptualiserede AI‑designede materialer.

Det kunne gøre multivalente batterier til næste skridt inden for batteriteknologi. Indtil nu har manglen på et egnet materiale til at acceptere de større atomer hindret udviklingen af denne mulighed. Ved at bruge bedre materialer til at lagre magnesium, aluminium eller andre store ioner, kunne den fler‑elektron‑transportkapacitet af disse atomer måske en dag overgå selv lithiums kraftfulde, men enkelt‑elektron‑bærende kapacitet.

Investering i materialvidenskab & AI‑innovation

Meta: AI‑drevet materialvidenskab

I dag er Meta stadig mest kendt for sine Facebook‑ og Instagram‑sociale medieplatforme samt WhatsApp‑chat. Det er også til stede inden for virtual reality (VR) med sine VR‑headsets og den noget mislykkede “Metaverse”.

Vigtigt er dog, at Meta er et AI‑firma med massive investeringer i infrastruktur for at gøre det muligt.

“Det første multi‑gigawatt‑datacenter, kaldet Prometheus, forventes at gå i drift i 2026, mens et andet, kaldet Hyperion, vil kunne skaleres op til 5 gigawatt i de kommende år.

“Vi bygger også flere titan‑klynger. En af dem dækker allerede en betydelig del af Manhattan’s fodaftryk.”

Mark Zuckerberg – Meta Founder & CEO

LLM‑teknologi ser ved første øjekast ud til primært at være nyttig til “tale”‑opgaver, såsom chatbots, forbedret online‑søgning, uddannelse og andre menneskecentrerede aktiviteter.

Men denne forskning viser, at LLM’s evne til at lære sprog kan anvendes på andre dataintensive opgaver, såsom at lære at “tale” krystalstrukturer. Det samme kan siges om genetiske koder, for eksempel.

Det betyder, at fremskridt inden for LLM‑algoritmer sandsynligvis vil indlede en gylden æra af helt nye opdagelser inden for fremstilling af nye materialer til batterier, avancerede materialer, energiproduktion osv., samt nye typer proteiner og DNA/RNA‑materialer, der kan omdannes til medicin, bioproduktionsværktøjer osv.

I den sammenhæng indebærer det, at virksomheder som Meta og deres Lama‑LLM‑modeller ikke kun bygger potentielt rentable teknologiske erstatninger for eksisterende værktøjer, men også kan blive en IP‑kraftcenter i den fysiske verden.

I den sammenhæng kan det huskes, at den oprindelige teknologivirksomhed for virksomheder som Meta, eller for den sags skyld Google (GOOGL ) eller Microsoft (MSFT ), kun var et springbræt, før de blev til AI‑ og IP‑drevne giganter, der ændrer verden med mange nye teknologier, herunder inden for vedvarende energi og materialvidenskab.

Seneste Meta (META) aktienyheder og udviklinger

Studie refereret

^{1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. Generativ AI til at opdage porøse oxidmaterialer til næste generations energilagring. Cell Reports Physical Science, Volume 6, Issue 7, 102665. 16. juli 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4}