Τεχνητή νοημοσύνη
Η AI Ανακαλύπτει Νέα Υλικά για Μπαταρίες Επόμενης Γενιάς
Λίθιο έναντι των Υπόλοιπων
Lithium-ion batteries have so far dominated the electrification landscape, in large part due to lithium atoms’ unique electrical properties. Simply put, lithium, being the 3rd lightest element in the periodic table, is the most powerful one when it comes to carrying charges with a single electron.
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.
The recent breakthrough was achieved by using AI to test millions of combinations for the battery materials. This discovery was done by researchers at the New Jersey Institute of Technology (NJIT) and the Rensselaer Polytechnic Institute (RPI) (USA). They published their results in Cell Reports Physical Science1, under the title ”Generative AI for discovering porous oxide materials for next-generation energy storage”.
Οι Πολλοί Τύποι Ιοντικών Μπαταριών
If lithium-ion took over small electronics and early EV designs thanks to its energy density, many other metallic ions can be used according to the same principle.
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,”
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
AI Βοηθά στην Έρευνα
Ένας Ισχυρός Βοηθός
Human minds are not the best at handling any data set where the numbers are going toward the millions. But AIs are excellent at it.
It is a growing trend of researchers, especially in material sciences or biotech, using AI technology to help identify the most promising ideas, before analyzing and testing them more rigorously.
“Στρεψήκαμε στην γενετική 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.
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
Previously, a computing model relying solely on physics would have been unable to handle the extremely complex calculation required to model a new type of crystal structure.
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)
The CDVAE model generated 10,000 structures, which were subjected to a series of precise screening and validation steps to ensure they met the necessary standards.
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
So it created both new versions of existing material that were previously unknown and have entirely new potential battery material.
LLM
The researchers then used Meta’s (FB ) Llama-3.1-8B, specially calibrated and tailored for generating crystal structures.
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 |
Αμφισβήτηση των AIs’ Findings
The researchers used a mathematical testing method called “DFT relaxation”, calculating the material free energy (linked to stability), to check the quality of the material found.
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 μετάλλου οξέος που δείχνουν αξιοσημείωτη προοπτική»,
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
Μπορεί να Παραχθεί;
The team validated their AI-generated structures using quantum mechanical simulations and stability tests, confirming that the materials could indeed be synthesized experimentally and hold great potential for real-world applications.
«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».
The next step will be to collaborate with experimental labs to synthesize and test the newly conceptualized AI-designed materials.
It could make multivalent batteries the next step in battery technology. So far, the lack of a good material to accept the larger atoms has blocked the development of this option. By using better materials to store magnesium, aluminum, or other large ions, the multi-electron transport capacity of these atoms could maybe one day outshine even lithium’s powerful, but single-electron power-carrying capacity.
Επένδυση στην Επιστήμη Υλικών & AI Καινοτομία
Meta: Επιστήμη Υλικών με Βάση την AI
Today, Meta is still mostly known for its Facebook and Instagram social media platforms, as well as WhatsApp chat. It is also present in the virtual reality (VR) space with its VR Headsets and its somewhat unsuccessful “Metaverse”.
Importantly, though, Meta is an AI company with massive investments in infrastructure to make it happen.
«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.
LLM technology seems at first glance to be mostly useful for “talking” tasks, like chatbots, improved online search, education, and other human-centric activities.
(META )
But this research illustrates that the ability of LLM to learn language can be deployed to other data-heavy tasks, like learning how to “talk” crystal structures. The same can be said for genetic codes, for example.
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. Generative AI for discovering porous oxide materials for next-generation energy storage. 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
