Tekoäly löytää uusia materiaaleja seuraavan sukupolven akkuja varten

Litium vastaan muut

Litiumioniakut ovat tähän mennessä hallinneet sähköistämisen maisemaa, pitkälti litiumatomien ainutlaatuisten sähköominaisuuksien vuoksi. Yksinkertaisesti sanottuna litium, joka on jaksollisen taulukon kolmanneksi kevyin alkuaine, on voimakkain, kun on kyse varauksen kuljettamisesta yhdellä elektronilla.

Lähde: Medium

Kuitenkin litium on kallista, mikä tekee vaihtoehtoisista akkukemioista mahdollisesti taloudellisesti houkuttelevia. Erityisesti natriumioniakut ovat saaneet jalansijaa juuri tästä syystä.

Vaikuttaa siltä, että toinen suunnittelu saattaa olla potentiaalisempi kuin aiemmin ajateltiin: moniarvoiset ioniakut. Ne käyttävät metallisia ioneja, jotka voivat kuljettaa useampaa kuin yhtä elektronia kerrallaan, ja ne saattavat olla kustannustehokkaampia kuin litiumioniakut.

Viimeisin läpimurto saavutettiin käyttämällä tekoälyä testaamaan miljoonia yhdistelmiä akkumateriaaleille. Tämä löytö tehtiin New Jersey Institute of Technology (NJIT) ja Rensselaer Polytechnic Institute (RPI) (USA) -tutkijoiden toimesta. He julkaisuivat tuloksensa lehdessä Cell Reports Physical Science¹ otsikolla ”Generative AI for discovering porous oxide materials for next-generation energy storage”.

Ion akkujen erilaisia tyyppejä

Jos litiumioni valloitti pienet elektroniikkalaitteet ja varhaiset sähköautomallit energiatehonsa ansiosta, monia muita metallisia ioneja voidaan käyttää saman periaatteen mukaisesti.

Kuten on käsitelty, natriumioni on tällä hetkellä suosittu vaihtoehto, jota valmistetaan yhä massatuotantona edullisille sähköautomalleille.

Toinen vaihtoehto on käyttää magnesiumia, kalsiumia, alumiinia tai sinkkiä, jotka kaikki ovat moniarvoisia ioneja. Tämä tarkoittaa, että ne kantavat kahta tai jopa kolmea positiivista varausta.

Kuitenkin suurempi varaus tuo mukanaan myös suuremmat koot. Molemmat suuremmat atomikokoonpanot tekevät moniarvoisten ionien tehokkaan majoittamisen akkumateriaaleihin haastavaksi, mikä vähentää akun tiheyttä liikaa, jotta se olisi kaupallisesti kannattavaa.

Ainakin näin oli perinteisten litium- tai natriumioniin kehitettyjen akkumateriaalien kanssa. Mutta ne eivät ole ainoita mahdollisia akkumateriaaleja. Monia muita kiteisiä rakenteita voitaisiin rakentaa isännöimään ioneja, joiden liike kuljettaa sähkövarauksia.

“Yksi suurimmista esteistä ei ollut lupaavien akkukemiaa puute — vaan puhdas mahdottomuus testata miljoonia materiaaliyhdistelmiä,”

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

Tekoäly avustaa tutkimusta

Tehokas avustaja

Ihmismielet eivät ole parhaita käsittelemään tietojoukkoja, joissa numerot lähestyvät miljoonia. Mutta tekoälyt ovat siinä erinomaisia.

Se on kasvava trendi tutkijoiden, erityisesti materiaalitieteen tai bioteknologian alalla, käyttää tekoälyteknologiaa auttamaan lupaavimpien ideoiden tunnistamisessa ennen niiden perusteellisempaa analysointia ja testausta.

“Käännyimme generatiivisen tekoälyn puoleen nopeana, järjestelmällisenä tapana läpikäydä tämä laaja maisema ja löytää ne harvat rakenteet, jotka voisivat todella tehdä moniarvoisista akuista käytännöllisiä.”

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

Aikaisemmin pelkästään fysiikkaan perustuva laskentamalli ei olisi pystynyt käsittelemään äärimmäisen monimutkaista laskentaa, joka vaaditaan uudenlaisen kiteisen rakenteen mallintamiseen.

Mutta uudet tekoälyn tyypit, jotka perustuvat koneoppimiseen ja neuroverkkoihin, pystyvät paremmin “arvaamaan” materiaalin yleisiä ominaisuuksia ilman muodollista matemaattista fysiikan laskentaa.

Lähde: Cell

Tutkijat kehittivät järjestelmän, joka hyödyntää kahta erilaista tekoälyä samanaikaisesti: toista, joka tuntee kiteet, ja toista LLM:ää (Large Language Model), samaa teknologista perustaa kuin ChatGPT.

Lähde: Cell

Kiteiden diffuusiovariaatioautoenkooderi (CDVAE)

CDVAE-malli loi 10 000 rakennetta, jotka altistettiin sarjalle tarkkoja seulonta- ja validointivaiheita varmistamaan, että ne täyttävät tarvittavat standardit.

Esimerkiksi se tarkisti, että atomiparien välinen etäisyys oli riittävän suuri, tai että järjestelmä oli varausneutraali.

Tämä menetelmä tuotti 42 rakennetta, jotka voivat olla käyttökelpoisia akkumateriaaleihin.

Näistä 21 rakennetta vastasivat tietokannan olemassa olevia merkintöjä, mutta tarjosivat uusia konfiguraatioita, joissa oli eroja stoikiometriassa, verkko-ominaisuuksissa tai avaruusryhmissä. Jäljelle jääneet 21 rakennetta olivat täysin uusia.

Lähde: Cell

Näin se loi sekä uusia versioita olemassa olevasta materiaalista, jotka olivat aiemmin tuntemattomia, että täysin uusia potentiaalisia akkumateriaaleja.

LLM

Tutkijat käyttivät sen jälkeen Metan (FB ) Llama-3.1-8B:ta, joka on erityisesti kalibroitu ja räätälöity kiteiden rakenteiden luomiseen.

Lähde: Cell

Tämä tuotti yli 10 000 kiteistä rakennetta, joista 1 087 jäi jäljelle rakenteellisen eheyden tarkistamisen jälkeen. Käyttäen samoja suodattimia kuin CDVAE, saatiin 13 potentiaalista ehdokasta, joista viisi vakainta rakennetta valittiin.

Lähde: Cell

Pyyhkäise vierittääksesi →

Haastetaan tekoälyn löydökset

Tutkijat käyttivät matemaattista testausmenetelmää nimeltä “DFT relaxation”, joka laskee materiaalin vapaan energian (linkittyy vakauteen), tarkistaakseen löydetyn materiaalin laadun.

Kävi nopeasti ilmi, että LLM:n tuottamat kiteiset materiaalit olivat yleisesti ottaen paljon parempia ja vakaampia kuin CDVAE:n tuottamat.

Lähde: Cell

“Tekoälytyökalumme nopeuttivat merkittävästi löytöprosessia, mikä paljasti viisi täysin uutta huokostettua siirtymämetallin oksidirakennetta, jotka osoittavat merkittävää potentiaalia,”

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

Voiko sen valmistaa?

Tiimi vahvisti AI:n luomat rakenteet kvanttimekaanisten simulointien ja vakaustestien avulla, vahvistaen, että materiaalit voidaan tosiaan valmistaa kokeellisesti ja niillä on suuri potentiaali todellisissa sovelluksissa.

“Nämä materiaalit omaavat suuret, avoimet kanavat, jotka soveltuvat erinomaisesti näiden massiivisten moniarvoisten ionien nopeaan ja turvalliseen siirtämiseen – kriittinen läpimurto seuraavan sukupolven akuissa.”

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

Seuraava vaihe on tehdä yhteistyötä kokeellisten laboratorioiden kanssa näiden AI:n suunnittelemien materiaalien synteesissä ja testauksessa.

Se voisi tehdä moniarvoisista akuista seuraavan askeleen akkuteknologiassa. Tähän mennessä sopivan materiaalin puuttuminen, joka kykenisi ottamaan vastaan suuremmat atomit, on estänyt tämän vaihtoehdon kehityksen. Käyttämällä parempia materiaaleja magnesiumin, alumiinin tai muiden suurten ionien varastointiin, näiden atomien monielektroninen kuljetuskapasiteetti voisi ehkä joskus ylittyä jopa litiumin voimakkaan, mutta yhden elektronin kantokyvyn.

Sijoittaminen materiaalitieteeseen ja tekoälyinnovaatiot

Meta: tekoälyohjattu materiaalitiede

Tänä päivänä Meta tunnetaan edelleen enimmäkseen Facebook- ja Instagram-sosiaalisen median alustoistaan sekä WhatsApp-keskustelusta. Se on myös läsnä virtuaalitodellisuus (VR) -alueella VR-laitteillaan ja melko epäonnistuneella “Metaverse”-konseptillaan.

Tärkeää on kuitenkin se, että Meta on tekoälyyritys, joka tekee valtavia investointeja infrastruktuuriin tämän toteuttamiseksi.

“Ensimmäisen monigigawattisen datakeskuksen, nimeltään Prometheus, odotetaan tulevan käyttöön vuonna 2026, kun taas toinen, nimeltään Hyperion, pystyy skaalaamaan kapasiteettiaan 5 gigawattiin tulevina vuosina.

“Rakennamme myös useita muita titan-klustereita. Jo yksi näistä kattaa merkittävän osan Manhattanin jalanjäljestä.”

Mark Zuckerberg – Metan perustaja ja toimitusjohtaja

LLM-teknologia vaikuttaa ensi silmäyksellä enimmäkseen hyödylliseltä “puhumistehtävissä”, kuten chatbotit, parannettu verkkohaku, koulutus ja muut ihmiskeskeiset toiminnot.

Mutta tämä tutkimus osoittaa, että LLM:n kyky oppia kieltä voidaan soveltaa muihin dataintensiivisiin tehtäviin, kuten oppimiseen, miten “puhua” kiteisiä rakenteita. Sama pätee esimerkiksi geneettisiin koodeihin.

Tämä tarkoittaa, että LLM-algoritmien edistyminen todennäköisesti tuo mukanaan kultaisen kauden täysin uusille löydöille akkujen, kehittyneiden materiaalien, energian tuotannon jne. uusien materiaalien luomisessa, sekä uusille proteiineille ja DNA/RNA-materiaaleille, joita voidaan muuttaa lääkkeiksi, biotuotantotyökaluiksi jne.

Tässä yhteydessä tämä viittaa siihen, että yritykset kuten Meta ja sen Lama LLM -mallit eivät ainoastaan rakenna mahdollisesti kannattavia teknologisia korvaajia olemassa oleville työkaluille, vaan voivat myös muuttua IP-voimavaraksi fyysisessä maailmassa.

Tässä yhteydessä voidaan muistaa, että yritysten kuten Metan, tai esimerkiksi Googlen (GOOGL ) tai Microsoftin (MSFT ) alkuperäinen teknologiabisnes oli vain askel ennen kuin ne muuttuivat tekoäly- ja IP-vetoisiksi jättiläisiksi, jotka muuttavat maailmaa monilla uusilla teknologioilla, mukaan lukien uusiutuvassa energiassa ja materiaalitieteissä.

Uusimmat Meta (META) -osakkeiden uutiset ja kehitys

Viitattu tutkimus

^{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, Volyymi 6, Numero 7, 102665. 16. heinäkuuta 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4}