Τεχνητή νοημοσύνη
Η Τεχνητή Νοημοσύνη Ανακαλύπτει Νέα Υλικά για Μπαταρίες Επόμενης Γενιάς
Προσθέστε το Securities.io στις προτιμώμενες πηγές σας στο Google
Λίθιο έναντι των Υπόλοιπων
Οι μπαταρίες ιόντων λιθίου κυριαρχούν μέχρι σήμερα στην ηλεκτροκίνηση, κυρίως χάρη στις μοναδικές ηλεκτρικές ιδιότητες των ατόμων λιθίου. Με απλά λόγια, το λίθιο είναι το τρίτο ελαφρύτερο στοιχείο του περιοδικού πίνακα και το ισχυρότερο για τη μεταφορά φορτίου με ένα μόνο ηλεκτρόνιο.
Πηγή: Medium
Ωστόσο, το λίθιο είναι ακριβό, καθιστώντας τις εναλλακτικές χημείες μπαταριών δυνητικά οικονομικά ελκυστικές. Ιδιαίτερα, οι μπαταρίες νατρίου-ιόντων έχουν κερδίσει έδαφος για αυτόν ακριβώς τον λόγο.
Φαίνεται ότι ένας άλλος σχεδιασμός μπορεί να έχει μεγαλύτερο δυναμικό από ό,τι θεωρήθηκε προηγουμένως: οι μπαταρίες πολυβαλεντικών ιόντων. Χρησιμοποιούν μεταλλικά ιόντα που μπορούν να μεταφέρουν περισσότερα από ένα ηλεκτρόνιο ταυτόχρονα, και μπορεί να είναι πιο οικονομικές από τις μπαταρίες λιθίου-ιόντων.
Η πρόσφατη ανακάλυψη επιτεύχθηκε με τη χρήση AI για τη δοκιμή εκατομμυρίων συνδυασμών υλικών μπαταρίας. Ερευνητές από το New Jersey Institute of Technology (NJIT) και το Rensselaer Polytechnic Institute (RPI) στις ΗΠΑ δημοσίευσαν τα αποτελέσματά τους στο Cell Reports Physical Science1, με τίτλο «Παραγωγική AI για την ανακάλυψη πορωδών οξειδικών υλικών για αποθήκευση ενέργειας επόμενης γενιάς».
Οι Πολλοί Τύποι Ιοντικών Μπαταριών
Παρότι οι μπαταρίες ιόντων λιθίου επικράτησαν στις μικρές ηλεκτρονικές συσκευές και στα πρώτα ηλεκτρικά οχήματα χάρη στην ενεργειακή τους πυκνότητα, πολλές άλλες μεταλλικές ιοντικές ενώσεις μπορούν να χρησιμοποιηθούν με την ίδια αρχή.
Όπως συζητήθηκε, το νάτριο-ιόν είναι αυτή τη στιγμή μια δημοφιλής εναλλακτική, που παράγεται όλο και μαζικότερα για φθηνά μοντέλα ηλεκτρικών οχημάτων.
Μια άλλη επιλογή είναι η χρήση μαγνησίου, ασβεστίου, αλουμινίου ή ψευδαργύρου, όλα πολυβαλεντικά ιόντα. Αυτό σημαίνει ότι μεταφέρουν δύο ή ακόμη και τρία θετικά φορτία.
Ωστόσο, το μεγαλύτερο φορτίο συνοδεύεται επίσης από μεγαλύτερα μεγέθη. Και τα δύο μεγαλύτερα ατομικά χαρακτηριστικά καθιστούν τα πολυβαλεντικά ιόντα δύσκολο να ενσωματωθούν αποτελεσματικά στα υλικά μπαταριών, μειώνοντας την πυκνότητα της μπαταρίας υπερβολικά ώστε να μην είναι εμπορικά βιώσιμη.
Τουλάχιστον, αυτό ήταν αλήθεια με τα συμβατικά υλικά μπαταριών που αναπτύχθηκαν για ιόντα λιθίου ή νατρίου. Αλλά είναι μακριά από το να είναι τα μόνα δυνατά υλικά μπαταριών που μπορούν να χρησιμοποιηθούν. Πολλές άλλες κρυσταλλικές δομές θα μπορούσαν να κατασκευαστούν για να φιλοξενήσουν τα ιόντα των οποίων η κίνηση μεταφέρει τα ηλεκτρικά φορτία.
“Ένα από τα μεγαλύτερα εμπόδια δεν ήταν η έλλειψη υποσχόμενων χημείων μπαταριών — ήταν η απόλυτη αδυναμία δοκιμής εκατομμυρίων συνδυασμών υλικών,”
Καθηγητής Dibakar Datta – New Jersey Institute of Technology (NJIT)
AI Βοηθά στην Έρευνα
Ένας Ισχυρός Βοηθός
Ο ανθρώπινος νους δυσκολεύεται να διαχειριστεί σύνολα δεδομένων που αριθμούν εκατομμύρια στοιχεία. Η AI, όμως, είναι εξαιρετική σε αυτό.
Όλο και περισσότεροι ερευνητές, ιδίως στην επιστήμη υλικών και τη βιοτεχνολογία, χρησιμοποιούν την AI για να εντοπίσουν πρώτα τις πιο υποσχόμενες ιδέες και κατόπιν να τις αναλύσουν και να τις δοκιμάσουν αυστηρότερα.
“Στρεψήκαμε στην παραγωγική AI ως γρήγορο, συστηματικό τρόπο για να φιλτράρουμε αυτό το τεράστιο τοπίο και να εντοπίσουμε τις λίγες δομές που θα μπορούσαν πραγματικά να κάνουν τις πολυβαλεντικές μπαταρίες πρακτικές.
Καθηγητής Dibakar Datta – New Jersey Institute of Technology (NJIT)
Παλαιότερα, ένα υπολογιστικό μοντέλο βασισμένο αποκλειστικά στη φυσική δεν μπορούσε να διαχειριστεί τους εξαιρετικά περίπλοκους υπολογισμούς που απαιτούνται για τη μοντελοποίηση ενός νέου τύπου κρυσταλλικής δομής.
Αλλά νέοι τύποι AI, βασισμένοι στη μηχανική μάθηση και τα νευρωνικά δίκτυα, είναι πιο ικανοί να «μάντεψουν» τη γενική ιδιότητα ενός υλικού χωρίς την τυπική μαθηματική καταγραφή της φυσικής που το διέπει.
Πηγή: Cell
Οι ερευνητές ανέπτυξαν ένα σύστημα που βασίζεται ταυτόχρονα σε δύο διαφορετικούς τύπους AI, έναν που γνωρίζει τα κρύσταλλα και έναν LLM (Μεγάλο Μοντέλο Γλώσσας), την ίδια τεχνολογική βάση πίσω από το ChatGPT.
Πηγή: Cell
Κρυσταλλική Διάχυση Παραλλαγής Αυτοκωδικοποιητή (CDVAE)
Το μοντέλο CDVAE δημιούργησε 10.000 δομές, οι οποίες πέρασαν από μια σειρά ακριβών ελέγχων και βημάτων επικύρωσης ώστε να διαπιστωθεί ότι πληρούσαν τα απαιτούμενα πρότυπα.
Για παράδειγμα, έλεγχε ότι η απόσταση μεταξύ ζευγών ατόμων ήταν αρκετά μεγάλη, ή ότι το σύστημα ήταν ουδέτερο φορτισμένο.
Αυτή η μέθοδος δημιούργησε 42 δομές που θα μπορούσαν ενδεχομένως να χρησιμοποιηθούν για υλικά μπαταριών.
Από αυτές, 21 δομές ταιριάζουν με υπάρχουσες εγγραφές στη βάση δεδομένων αλλά προσφέρουν νέες διαμορφώσεις με διαφορές στη στοιχειομετρία, τις παραμέτρους πλέγματος ή τις ομάδες συμμετρίας. Οι υπόλοιπες 21 δομές ήταν εντελώς νέες.
Πηγή: Cell
Έτσι δημιουργήθηκαν τόσο άγνωστες έως τότε παραλλαγές υφιστάμενων υλικών όσο και εντελώς νέα δυνητικά υλικά μπαταριών.
LLM
Στη συνέχεια οι ερευνητές χρησιμοποίησαν το Llama-3.1-8B της Meta (FB ), ειδικά βαθμονομημένο και προσαρμοσμένο για τη δημιουργία κρυσταλλικών δομών.
Πηγή: Cell
Αυτό παρήγαγε πάνω από 10.000 κρυσταλλικές δομές, από τις οποίες 1.087 παρέμειναν μετά τον έλεγχο της δομικής ακεραιότητας. Χρησιμοποιώντας τα ίδια φίλτρα όπως με το CDVAE, αυτό οδήγησε σε 13 πιθανούς υποψηφίους, από τους οποίους επιλέχθηκαν οι 5 πιο σταθερές δομές.
Πηγή: Cell
Σύρετε για κύλιση →
| Μοντέλο | Αρχικές Δομές | Υποψήφιοι μετά το Φίλτρο | Τελικά Σταθερά Υλικά |
|---|---|---|---|
| CDVAE | 10,000 | 42 | 21 παραλλαγές + 21 νέες |
| LLM (Llama-3.1-8B) | 10,000+ | 13 | 5 πιο σταθερές επιλεγμένες |
Επαλήθευση των Ευρημάτων της AI
Για να ελέγξουν την ποιότητα των υλικών, οι ερευνητές χρησιμοποίησαν μια μαθηματική μέθοδο που ονομάζεται «χαλάρωση DFT» και υπολογίζει την ελεύθερη ενέργεια του υλικού, η οποία συνδέεται με τη σταθερότητά του.
Φαίνεται γρήγορα ότι τα κρυσταλλικά υλικά που δημιουργήθηκαν από το LLM ήταν γενικά πολύ καλύτερα και πιο σταθερά από αυτά που δημιουργήθηκαν με το CDVAE.
Πηγή: Cell
«Τα εργαλεία AI μας επιτάχυναν δραματικά τη διαδικασία ανακάλυψης, αποκαλύπτοντας πέντε εντελώς νέες πορώδεις δομές μεταλλικών οξειδίων που δείχνουν αξιοσημείωτη προοπτική»,
Καθηγητής Dibakar Datta – New Jersey Institute of Technology (NJIT)
Μπορεί να Παραχθεί;
Η ομάδα επικύρωσε τις δομές που δημιούργησε η AI με κβαντομηχανικές προσομοιώσεις και δοκιμές σταθερότητας, επιβεβαιώνοντας ότι τα υλικά μπορούν πράγματι να συντεθούν πειραματικά και έχουν μεγάλες δυνατότητες για πραγματικές εφαρμογές.
«Αυτά τα υλικά διαθέτουν μεγάλα, ανοιχτά κανάλια ιδανικά για τη γρήγορη και ασφαλή μετακίνηση αυτών των ογκωδών πολυβαλεντικών ιόντων, μια κρίσιμη πρόοδο για τις μπαταρίες επόμενης γενιάς».
Το επόμενο βήμα είναι η συνεργασία με πειραματικά εργαστήρια για τη σύνθεση και τη δοκιμή των νέων υλικών που σχεδιάστηκαν με AI.
Η εξέλιξη αυτή θα μπορούσε να καταστήσει τις πολυσθενείς μπαταρίες το επόμενο βήμα της τεχνολογίας. Μέχρι σήμερα, η έλλειψη κατάλληλου υλικού που να δέχεται τα μεγαλύτερα ιόντα εμπόδιζε την ανάπτυξή τους. Με καλύτερα υλικά για την αποθήκευση μαγνησίου, αλουμινίου ή άλλων μεγάλων ιόντων, η ικανότητα μεταφοράς πολλών ηλεκτρονίων ίσως ξεπεράσει κάποτε την ισχυρή αλλά μονοηλεκτρονική μεταφορά φορτίου του λιθίου.
Επένδυση στην Επιστήμη Υλικών & AI Καινοτομία
Meta: Επιστήμη Υλικών με Βάση την AI
Σήμερα η Meta εξακολουθεί να είναι κυρίως γνωστή για τις πλατφόρμες κοινωνικής δικτύωσης Facebook και Instagram και για το WhatsApp. Δραστηριοποιείται επίσης στην εικονική πραγματικότητα με τα κράνη VR και το όχι ιδιαίτερα επιτυχημένο «Metaverse».
Παράλληλα, η Meta είναι πλέον εταιρεία AI και πραγματοποιεί τεράστιες επενδύσεις στις απαραίτητες υποδομές.
«Το πρώτο πολυ-γιγαβάτ κέντρο δεδομένων, ονομαζόμενο Prometheus, αναμένεται να ενεργοποιηθεί το 2026, ενώ ένα άλλο, ονομαζόμενο Hyperion, θα μπορεί να κλιμακωθεί έως 5 γιγαβάτ τα επόμενα χρόνια.
«Κατασκευάζουμε πολλαπλούς ακόμη συγκεντρωτές τύπου Τιτάν. Απλώς ένας από αυτούς καλύπτει σημαντικό μέρος της περιοχής του Μανχάταν.
Με την πρώτη ματιά, η τεχνολογία LLM φαίνεται κυρίως χρήσιμη για εργασίες που σχετίζονται με τη γλώσσα, όπως τα chatbot, η βελτιωμένη διαδικτυακή αναζήτηση, η εκπαίδευση και άλλες ανθρωποκεντρικές δραστηριότητες.
META Διάγραμμα τιμής
Η έρευνα αυτή δείχνει όμως ότι η ικανότητα των LLM να μαθαίνουν γλώσσα μπορεί να αξιοποιηθεί και σε άλλες εργασίες με πολλά δεδομένα, όπως η εκμάθηση της «γλώσσας» των κρυσταλλικών δομών. Το ίδιο ισχύει, για παράδειγμα, και για τους γενετικούς κώδικες.
Αυτό σημαίνει ότι η πρόοδος στους αλγόριθμους LLM πιθανότατα θα φέρει μια χρυσή εποχή εντελώς νέων ανακαλύψεων στη δημιουργία νέων υλικών για μπαταρίες, προχωρημένα υλικά, παραγωγή ενέργειας κ.λπ., καθώς και νέων τύπων πρωτεϊνών και υλικών DNA/RNA που μπορούν να μετατραπούν σε φάρμακα, εργαλεία βιοκατασκευής κ.λπ.
Σε αυτό το πλαίσιο, αυτό υποδηλώνει ότι εταιρείες όπως η Meta και τα μοντέλα LLM Lama δεν δημιουργούν μόνο ενδεχομένως κερδοφόρες τεχνολογικές εναλλακτικές για υπάρχοντα εργαλεία, αλλά θα μπορούσαν επίσης να μετατραπούν σε μια δύναμη πνευματικής ιδιοκτησίας στον φυσικό κόσμο.
Σε αυτό το πλαίσιο, μπορεί να θυμηθούμε ότι η αρχική τεχνολογική δραστηριότητα εταιρειών όπως η Meta, ή ακόμη και η Google (GOOGL ) ή η Microsoft (MSFT ), ήταν μόνο ένα βήμα πριν τις μετατρέψουν σε γίγαντες με βάση την AI & IP που αλλάζουν τον κόσμο με πολλές νέες τεχνολογίες, συμπεριλαμβανομένων των ανανεώσιμων πηγών ενέργειας και των επιστημών υλικών.
Τελευταία Ειδήσεις και Ανάπτυξη Μετοχής Meta (META)
Μελέτη Αναφοράς
1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. Παραγωγική AI για την ανακάλυψη πορωδών οξειδικών υλικών για αποθήκευση ενέργειας επόμενης γενιάς. Cell Reports Physical Science, Τόμος 6, Τεύχος 7, 102665. 16 Ιουλίου 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4
