KI entdeckt neue Materialien für Batterien der nächsten Generation

Lithium versus den Rest

Lithium‑Ionen‑Batterien haben bisher die Elektrifizierungslandschaft dominiert, vor allem wegen der einzigartigen elektrischen Eigenschaften der Lithium‑Atome. Kurz gesagt, Lithium, das das 3^rd leichteste Element im Periodensystem ist, ist das leistungsstärkste, wenn es darum geht, Ladungen mit einem einzelnen Elektron zu transportieren.

Quelle: Medium

Allerdings ist Lithium teuer, was alternative Batteriekemien potenziell wirtschaftlich attraktiv macht. Besonders haben Natrium‑Ionen‑Batterien aus genau diesem Grund an Bedeutung gewonnen.

Es scheint, dass ein anderes Design mehr Potenzial hat, als bisher angenommen: Multivalent‑Ionen‑Batterien. Sie verwenden Metallionen, die mehr als ein Elektron gleichzeitig transportieren können, und könnten kostengünstiger sein als Lithium‑Ionen‑Batterien.

Der jüngste Durchbruch wurde erzielt, indem KI eingesetzt wurde, um Millionen von Kombinationen für Batteriematerialien zu testen. Diese Entdeckung wurde von Forschern des New Jersey Institute of Technology (NJIT) und des Rensselaer Polytechnic Institute (RPI) (USA) gemacht. Sie veröffentlichten ihre Ergebnisse in Cell Reports Physical Science¹ unter dem Titel „Generative KI zur Entdeckung poröser Oxidmaterialien für die Energiespeicherung der nächsten Generation“.

Die vielen Arten von Ionenbatterien

Wenn Lithium‑Ionen dank ihrer Energiedichte die kleinen Elektronikgeräte und frühen EV‑Designs übernommen haben, können viele andere Metallionen nach demselben Prinzip verwendet werden.

Wie bereits erwähnt, ist Natrium‑Ionen derzeit eine beliebte Alternative, die zunehmend massenproduziert für günstige EV‑Modelle wird.

Eine weitere Option ist die Verwendung von Magnesium, Calcium, Aluminium oder Zink, die alle multivalente Ionen sind. Das bedeutet, dass sie zwei oder sogar drei positive Ladungen tragen.

Allerdings geht die größere Ladung mit größeren Atomgrößen einher. Beide größeren atomaren Spezifikationen machen es schwierig, multivalente Ionen effizient in Batteriematerialien zu integrieren, wodurch die Batteriedichte zu stark reduziert wird, um kommerziell rentabel zu sein.

Zumindest galt das für konventionelle Batteriematerialien, die für Lithium‑ oder Natrium‑Ionen entwickelt wurden. Aber sie sind bei weitem nicht die einzigen möglichen Batteriematerialien. Viele andere kristalline Strukturen könnten gebaut werden, um die Ionen zu beherbergen, deren Bewegung die elektrischen Ladungen transportiert.

„Eines der größten Hindernisse war nicht das Fehlen vielversprechender Batteriekemien – es war die schiere Unmöglichkeit, Millionen von Materialkombinationen zu testen,“

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

KI unterstützt die Forschung

Ein leistungsstarker Assistent

Menschliche Gehirne sind nicht die besten, wenn es darum geht, Datensätze zu bewältigen, deren Zahlen in die Millionen gehen. KI ist dabei hervorragend.

Es ist ein wachsender Trend unter Forschern, insbesondere in den Materialwissenschaften oder der Biotechnologie, KI‑Technologie zu nutzen, um die vielversprechendsten Ideen zu identifizieren, bevor sie gründlicher analysiert und getestet werden.

„Wir wandten uns an generative KI als schnelle, systematische Methode, um diese riesige Landschaft zu durchforsten und die wenigen Strukturen zu finden, die multivalente Batterien wirklich praktikabel machen könnten.“

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

Früher wäre ein auf Physik basierendes Rechenmodell nicht in der Lage gewesen, die extrem komplexen Berechnungen zu bewältigen, die für die Modellierung einer neuen Kristallstruktur erforderlich sind.

Aber neue KI‑Typen, die auf maschinellem Lernen und neuronalen Netzen basieren, können die allgemeinen Eigenschaften eines Materials „schätzen“, ohne formale mathematische Berechnungen der zugrunde liegenden Physik durchführen zu müssen.

Quelle: Cell

Die Forscher entwickelten ein System, das gleichzeitig auf zwei verschiedene KI‑Typen setzt: eines, das sich mit Kristallen auskennt, und ein LLM (Large Language Model), dieselbe technologische Basis wie ChatGPT.

Quelle: Cell

Kristall‑Diffusions‑Variationaler Autoencoder (CDVAE)

Das CDVAE‑Modell erzeugte 10.000 Strukturen, die einer Reihe präziser Screening‑ und Validierungsschritte unterzogen wurden, um sicherzustellen, dass sie die erforderlichen Standards erfüllen.

Zum Beispiel prüfte es, ob der Abstand zwischen Atompaaren groß genug war oder ob das System ladungsneutral ist.

Diese Methode erzeugte 42 Strukturen, die potenziell für Batteriematerialien nutzbar sind.

Davon entsprachen 21 Strukturen bestehenden Einträgen in der Datenbank, boten jedoch neue Konfigurationen mit Unterschieden in Stöchiometrie, Gitterparametern oder Raumgruppen. Die übrigen 21 Strukturen waren völlig neu.

Quelle: Cell

Damit wurden sowohl neue Versionen bereits bekannter Materialien geschaffen, die zuvor unbekannt waren, als auch völlig neue potenzielle Batteriematerialien.

LLM

Die Forscher nutzten anschließend Meta’s Llama-3.1-8B, speziell kalibriert und zugeschnitten auf die Erzeugung von Kristallstrukturen.

Quelle: Cell

Dies erzeugte über 10.000 Kristallstrukturen, von denen nach Prüfung der strukturellen Integrität 1.087 übrig blieben. Mit denselben Filtern wie beim CDVAE ergab dies 13 potenzielle Kandidaten, von denen die 5 stabilsten Strukturen ausgewählt wurden.

Quelle: Cell

Wischen zum Scrollen →

Herausforderung der KI‑Ergebnisse

Die Forscher nutzten eine mathematische Testmethode namens „DFT‑Relaxation“, bei der die freie Energie des Materials (ein Indikator für Stabilität) berechnet wird, um die Qualität des gefundenen Materials zu prüfen.

Es wird schnell ersichtlich, dass die vom LLM erzeugten kristallinen Materialien im Allgemeinen viel besser und stabiler waren als jene, die mit CDVAE erzeugt wurden.

Quelle: Cell

„Unsere KI‑Werkzeuge haben den Entdeckungsprozess dramatisch beschleunigt, wodurch fünf völlig neue poröse Übergangs‑Metall‑Oxid‑Strukturen entdeckt wurden, die bemerkenswertes Potenzial zeigen,“

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

Kann es hergestellt werden?

Das Team validierte ihre KI‑generierten Strukturen mittels quantenmechanischer Simulationen und Stabilitätstests und bestätigte, dass die Materialien tatsächlich experimentell synthetisiert werden können und großes Potenzial für reale Anwendungen besitzen.

„Diese Materialien besitzen große, offene Kanäle, die ideal sind, um diese sperrigen multivalenten Ionen schnell und sicher zu transportieren – ein entscheidender Durchbruch für Batterien der nächsten Generation.“

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

Der nächste Schritt wird sein, mit experimentellen Laboren zusammenzuarbeiten, um die neu konzipierten KI‑designten Materialien zu synthetisieren und zu testen.

Sie könnten multivalente Batterien zum nächsten Schritt in der Batterietechnologie machen. Bisher hat das Fehlen geeigneter Materialien, die die größeren Atome aufnehmen können, die Entwicklung dieser Option blockiert. Durch die Verwendung besserer Materialien zur Speicherung von Magnesium, Aluminium oder anderen großen Ionen könnte die Mehr‑Elektron‑Transportkapazität dieser Atome eines Tages sogar die leistungsstarke, aber einst‑Elektron‑Tragfähigkeit von Lithium übertreffen.

Investitionen in Materialwissenschaft & KI‑Innovation

Meta: KI‑gesteuerte Materialwissenschaft

Heute ist Meta vor allem für seine Social‑Media‑Plattformen Facebook und Instagram sowie den WhatsApp‑Chat bekannt. Es ist auch im Bereich Virtual Reality (VR) mit seinen VR‑Headsets und dem teilweise erfolglosen „Metaverse“ präsent.

Wichtig ist jedoch, dass Meta ein KI‑Unternehmen ist, das massive Investitionen in die Infrastruktur tätigt, um dies zu ermöglichen.

„Das erste Multi‑Gigawatt‑Rechenzentrum, genannt Prometheus, soll 2026 in Betrieb gehen, während ein weiteres, Hyperion, in den kommenden Jahren auf bis zu 5 Gigawatt skalieren können.

„Wir bauen noch mehrere Titan‑Cluster. Einer davon deckt bereits einen bedeutenden Teil der Grundfläche Manhattans ab.“

Mark Zuckerberg – Meta Founder & CEO

LLM‑Technologie scheint auf den ersten Blick hauptsächlich für „sprechende“ Aufgaben nützlich zu sein, wie Chatbots, verbesserte Online‑Suche, Bildung und andere menschenzentrierte Aktivitäten.

Aber diese Forschung zeigt, dass die Fähigkeit von LLM, Sprache zu erlernen, auch für andere datenintensive Aufgaben eingesetzt werden kann, wie das „Sprechen“ von Kristallstrukturen zu erlernen. Ähnliches gilt beispielsweise für genetische Codes.

Das bedeutet, dass Fortschritte bei LLM‑Algorithmen wahrscheinlich ein goldenes Zeitalter völlig neuer Entdeckungen bei der Herstellung neuer Materialien für Batterien, fortschrittliche Materialien, Energieerzeugung usw. einläuten werden, ebenso wie neue Arten von Proteinen und DNA/RNA‑Materialien, die in Medizin, Biomanufacturing‑Werkzeuge usw. umgewandelt werden können.

In diesem Kontext impliziert dies, dass Unternehmen wie Meta und seine Lama‑LLM‑Modelle nicht nur potenziell rentable Technologie‑Ersatzlösungen für bestehende Werkzeuge entwickeln, sondern auch zu einem IP‑Giganten in der physischen Welt werden könnten.

In diesem Kontext sollte man sich daran erinnern, dass das ursprüngliche Technologiegeschäft von Unternehmen wie Meta, oder auch Google (GOOGL ) oder Microsoft (MSFT ), nur ein Sprungbrett war, bevor sie zu KI‑ und IP‑gesteuerten Giganten wurden, die die Welt mit vielen neuen Technologien verändern, einschließlich im Bereich erneuerbare Energien und Materialwissenschaften.

Neueste Meta (META) Aktiennachrichten und Entwicklungen

Studie referenziert

^{1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. Generative KI zur Entdeckung poröser Oxidmaterialien für die Energiespeicherung der nächsten Generation. Cell Reports Physical Science, Band 6, Ausgabe 7, 102665. 16. Juli 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4}