Mempercepat Terobosan Baterai Padat dengan AI

Dunia teknologi baterai yang berkembang pesat diperkirakan akan bernilai lebih dari $100 miliar dalam beberapa tahun mendatang, berkat adopsi kendaraan listrik (EV) yang meningkat, pemasangan berbagai baterai, dan penyediaan daya untuk pusat data.

Di antara berbagai jenis baterai, lithium-ion adalah yang paling populer, menyumbang pangsa pasar sebesar 44% yang sangat besar. Baterai Li-ion adalah baterai isi ulang yang paling sering digunakan di dunia saat ini, memberi daya pada ponsel, laptop, dan perangkat elektronik konsumen lainnya selain EV dan sistem penyimpanan energi.

Meskipun baterai lithium-ion menawarkan banyak manfaat seperti ringan, konduktivitas tinggi, dan densitas energi tinggi, mereka menghadapi masalah umur pakai. Keamanan juga menjadi tantangan besar karena mengandung elektrolit cair yang mudah menguap, yang dapat terbakar jika rusak atau terlalu panas.

Akibatnya, baterai solid-state (SSB) muncul sebagai alternatif bagi baterai cair (LSB), yang menggunakan elektrolit padat untuk menghindari kebocoran atau pengeluaran gas.

Selain keamanan yang lebih tinggi, baterai tersebut juga menawarkan manfaat miniaturisasi, ringan, pengisian lebih cepat, efisiensi kemasan yang luar biasa, operasi dalam rentang suhu luas, dan umur simpan yang panjang.

Baterai solid-state bukanlah penemuan baru. Mereka pertama kali diperkenalkan pada abad ke-19, namun meskipun telah ada begitu lama, mereka belum mendapatkan penerapan yang luas. Hal ini akhirnya berubah seiring tren elektrifikasi yang meningkat dan kebutuhan akan alternatif yang lebih baik dan lebih aman dibandingkan baterai Li-ion yang banyak digunakan.

Di tengah minat yang diperbarui terhadap teknologi ini, peneliti mengoptimalkan baterai solid-state melalui pendekatan multi-faset yang berfokus pada material, struktur, dan desain antarmuka, serta memanfaatkan teknik AI berbasis data.

Pekerjaan Berkelanjutan untuk Membuat SSB Lebih Baik

Peneliti di seluruh dunia bekerja keras untuk memahami dan meningkatkan baterai solid-state guna mendukung masa depan. Beberapa studi terbaru dan menonjol yang dilakukan di bidang ini adalah sebagai berikut:

Mendekode SSB

Peneliti dari University of Missouri melakukan penyelaman mendalam untuk memahami masalah pada baterai solid-state dan cara mengatasinya demi mewujudkan SSB.

Mereka menggunakan mikroskopi transmisi elektron pemindaian 4D (STEM) untuk menganalisis struktur atomik baterai tanpa membongkarnya dan menemukan lapisan interfase sebagai sumber masalah.

Pada SSB, elektrolit padat yang bersentuhan dengan katoda menyebabkan reaksi yang membentuk lapisan interfase setebal 100 nm. Meskipun lapisan ini 1.000 kali lebih tipis daripada satu helai rambut, ia menghalangi transfer ion litium dan elektron secara mulus, yang meningkatkan resistansi dan merusak kinerja baterai.

Setelah menemukan hal ini, Asisten Profesor Matthias Young kini berencana menguji apakah spesialisasi labnya, film tipis yang dibuat melalui proses yang disebut oxidative molecular layer deposition (oMLD), dapat membentuk lapisan pelindung dan membantu mencegah reaksi antara elektrolit padat dan material katoda.

“Lapisan pelindung harus cukup tipis untuk mencegah reaksi tetapi tidak terlalu tebal sehingga menghambat aliran ion litium,” katanya. “Kami berupaya mempertahankan karakteristik kinerja tinggi dari elektrolit padat dan material katoda. Tujuan kami adalah menggunakan material ini bersama-sama tanpa mengorbankan kinerjanya demi kompatibilitas.”

Menjelajahi Potensi LLZO sebagai Elektrolit Padat dalam SSLMB

Sebuah studi terbaru oleh peneliti di Tohoku University mengevaluasi elektrolit padat tipe garnet untuk baterai lithium metal solid-state (SSLMB), yang dianggap teknologi menjanjikan karena potensi peningkatan kinerja energi dan keamanan.

Studi tersebut menemukan bahwa keuntungan densitas energi yang diharapkan dari baterai ini mungkin sebenarnya berlebihan.

Menurut studi ini, baterai lithium metal all-solid-state (ASSLMB) dengan kandidat elektrolit padat terkemuka LLZO (lithium lanthanum zirconium oxide) hanya memberikan peningkatan marginal dalam densitas energi dibandingkan baterai Li-ion saat ini, sambil menimbulkan biaya produksi tinggi dan tantangan manufaktur.

Menurut studi tersebut, ASSLMB akan mencapai densitas energi gravimetri sebesar 272 Wh/kg dibandingkan Li-ion yang 250-270 Wh/kg, menjadikan elektrolit quasi-solid-state sebagai alternatif yang lebih layak.

“Baterai lithium metal all-solid-state telah dipandang sebagai masa depan penyimpanan energi, tetapi studi kami menunjukkan bahwa desain berbasis LLZO mungkin tidak memberikan lonjakan densitas energi yang diharapkan. Bahkan dalam kondisi ideal, peningkatannya terbatas, dan biaya serta tantangan manufaktur sangat signifikan.”

– Penulis utama studi Eric Jianfeng Cheng dari WPI-AIMR, Tohoku University

Meskipun dihargai karena konduktivitas ionik dan stabilitasnya, pemodelan komprehensif baterai berbasis LLZO yang praktis mempertanyakan gagasan bahwa ia secara signifikan meningkatkan densitas energi. Bahkan dengan separator keramik LLZO yang sangat tipis dan katoda berkapasitas tinggi, studi menemukan kinerja baterai hanya sedikit lebih baik dibandingkan sel lithium-ion konvensional terbaik.

Kepadatan LLZO adalah masalah utama di sini, yang meningkatkan massa sel dan mengurangi manfaat energi yang diharapkan. Selanjutnya ada kerapuhan material, masalah dendrit litium, kesulitan dalam memproduksi lembaran tipis tanpa cacat, dan ruang kosong pada antarmuka, yang semuanya mempersulit implementasi skala besar. Menurut Cheng:

“LLZO adalah material yang sangat baik dari sudut pandang stabilitas, tetapi keterbatasan mekaniknya dan penalti berat menciptakan hambatan serius bagi komersialisasi.”

Di sini, menggabungkan material tersebut dengan elektrolit berbasis gel atau polimer menunjukkan stabilitas jangka panjang yang lebih baik.

Menemukan Elektrolit Padat yang Menjanjikan

Peneliti dari Tokyo University of Science juga menemukan material baru untuk SSLIB yang aman dan berperforma tinggi.

“Membuat baterai sekunder lithium-ion all-solid-state telah menjadi impian lama banyak peneliti,” kata Profesor Kenjiro Fujimoto, yang mencatat bahwa mereka telah menemukan elektrolit padat oksida, yang merupakan komponen kunci ASSLIB.

Material (Li1.25La0.58Nb2O6F) sangat stabil dan menunjukkan konduktivitas ion total sebesar 3,9 mS cm⁻¹ pada suhu ruang, yang lebih tinggi daripada elektrolit padat oksida yang dilaporkan sebelumnya, sambil memiliki energi aktivasi yang sangat rendah.

Selain itu, jika rusak, material ini tidak akan terbakar, menjadikannya cocok untuk aplikasi di mana keamanan sangat penting. Dapat digunakan pada suhu tinggi dan mendukung pengisian cepat juga membuatnya tepat untuk aplikasi berkapasitas tinggi seperti EV.

“Penerapan material ini menjanjikan untuk pengembangan baterai revolusioner yang dapat beroperasi dalam rentang suhu yang luas, dari rendah hingga tinggi.”

– Prof. Fujimoto

Sementara itu, akhir tahun lalu, peneliti dari Osaka Metropolitan University mengembangkan Na2.25TaCl4.75O1.25 sebagai elektrolit padat baru.

Para peneliti sebelumnya telah mengembangkan elektrolit padat NaTaCl6, yang merupakan kombinasi natrium klorida dan tantalum klorida. Kali ini, tim menambahkan tantalum pentoksida (Ta2O5) ke dalamnya, yang membantu mereka mencapai konduktivitas tinggi pada suhu ruang.

Material ini juga menunjukkan kemampuan pembentukan tinggi serta stabilitas elektrokimia yang lebih tinggi dibandingkan klorida konvensional.

“Hasil penelitian ini diharapkan memberikan kontribusi signifikan terhadap pengembangan elektrolit padat komposit, selain elektrolit padat kaca dan kristal yang telah dikembangkan hingga saat ini.”

– Asisten Profesor Kota Motohashi dari Graduate School of Engineering

Mereka kini fokus pada pemaparan mekanisme konduksi ionik elektrolit padat komposit serta mengembangkan lebih banyak material.

Mengubah Struktur, Menghilangkan Komponen

Peneliti dari University of Illinois Urbana-Champaign, sementara itu, menemukan bahwa struktur heliks secara signifikan meningkatkan konduktivitas elektrolit polimer peptida solid-state dibandingkan dengan rekan “random coil”, dengan heliks yang lebih panjang menghasilkan konduktivitas lebih tinggi. Selain itu, struktur heliks meningkatkan stabilitas keseluruhan material terhadap tegangan dan suhu.

“Kami memperkenalkan konsep penggunaan struktur sekunder – heliks – untuk merancang dan meningkatkan sifat material dasar konduktivitas ionik pada material padat.”

– Peneliti utama Profesor Chris Evans

Ini adalah heliks yang sama yang ditemukan pada peptida dalam biologi. Karena terbuat dari peptida, berarti begitu baterai mencapai akhir masa pakainya, material dapat terdegradasi kembali menjadi unit monomer individu menggunakan asam atau enzim, dan bahan awal kemudian dapat dipulihkan dan digunakan kembali, menjadikannya ramah lingkungan.

Dalam studi menarik lainnya, peneliti menciptakan baterai sodium solid-state tanpa anoda pertama dengan siklus stabil selama beberapa ratus siklus. Baterai yang murah, berkapasitas tinggi, dan pengisian cepat ini dapat membantu mendekarbonisasi ekonomi.

Removing the anode memerlukan arsitektur inovatif, sehingga tim menciptakan kolektor arus menggunakan serbuk aluminium, yang meskipun padat, dapat mengalir seperti cairan, dan mengelilingi elektrolit.

“Baterai sodium solid-state biasanya dianggap sebagai teknologi yang masih jauh di masa depan, tetapi kami berharap makalah ini dapat memacu lebih banyak dorongan ke bidang sodium dengan menunjukkan bahwa ia memang dapat berfungsi dengan baik, bahkan lebih baik daripada versi litium dalam beberapa kasus.”

– Penulis pertama Grayson Deysher, kandidat PhD UC San Diego

Saatnya Menggunakan AI untuk Menemukan Kandidat Elektrolit Padat Terbaik dengan Cepat

Di tengah penelitian berkelanjutan yang luas tentang berbagai aspek baterai solid-state, terutama elektrolit, untuk memperbaikinya dan mendorong adopsi, para ilmuwan kini memanfaatkan kecerdasan buatan.

Elektrolit adalah salah satu komponen baterai yang paling penting. Ia mentransfer partikel pembawa muatan yang disebut ion bolak-balik antara dua elektroda baterai, menyebabkan baterai mengisi dan mengosongkan.

Oleh karena itu, fokusnya adalah meningkatkan kinerja solid-state electrolyte (SSE), yang melibatkan peningkatan konduktivitas ionik, stabilitas, dan umur siklus. Namun, keterbatasan material saat ini membuat pencapaian perbaikan tersebut sulit.

Mengatasi tantangan ini memerlukan pengembangan material SSE berperforma tinggi, yang akan membuka potensi penuh baterai solid-state.

Oksida logam dan sulfida adalah beberapa material yang paling banyak dipelajari sebagai SSE yang menjanjikan. Di sini, meneliti hidrid sebagai SSE yang menunjukkan stabilitas redoks dan mekanik tinggi serta konduktivitas ionik divalen rata-rata pada suhu ruang sangat menguntungkan.

Dengan konduktivitas ionik tinggi dan energi aktivasi rendah, hidrid telah menunjukkan janji besar dalam pengembangan SSE. Hidrid logam, sementara itu, menawarkan manfaat khusus karena berat ringan atom hidrogen.

Namun, berat ringan hidrogen dan perilaku kompleks hidrid divalen menimbulkan tantangan dalam sintesis dan karakterisasi struktural, menyoroti keterbatasan teknik eksperimental saat ini.

Tantangan di sini adalah penemuan SSE eksperimental bergantung pada metode coba-coba yang tidak efisien dan memakan waktu. Untuk mengatasinya, kita memerlukan riset berbantuan komputasi untuk memahami mekanisme migrasi ionik dan menemukan elektrolit solid-state baru.

Masalahnya, pendekatan teoretis cenderung menawarkan cara yang lebih sistematis dan lebih cepat untuk mengeksplorasi sifat material. Kemudian ada kemajuan dalam model bahasa besar (LLM), yang semakin meningkatkan metodologi berbasis data dan memperbaiki prediksi teoretis.

Namun, mencapai akurasi tinggi dalam metode teoretis tetap menantang karena kompleksitas material SSE. Fokus penelitian saat ini pada satu material atau metode saja juga membatasi pemahaman komprehensif tentang SSE.

Jadi, bagaimana kita dapat memanfaatkan wawasan teoretis lebih baik untuk merancang eksperimen yang lebih efisien? Juga, jenis alur kerja optimal apa yang menggabungkan pemodelan teoretis dengan validasi eksperimental secara mulus? Jawabannya terletak pada menggabungkan informasi komputasional dan eksperimental.

Untuk mengatasi hambatan pada SSE divalen, yang menunjukkan janji signifikan untuk All-Solid-State-Batteries (ASSB) berperforma tinggi, peneliti dalam sebuah studi baru mengembangkan alur kerja terintegrasi yang menggabungkan data mining, analisis berbasis AI, regresi machine learning, pencarian struktur global, simulasi metadynamics (MetaD) ab initio, dan benchmarking teori-eksperimen.

Penelitian ini bertujuan meningkatkan pemahaman kami tentang SSE divalen dan menyediakan kerangka kerja yang kuat untuk memprediksi dan merancang kandidat SSE baru. Pada gilirannya, hal ini akan mempercepat penemuan opsi SSE yang dioptimalkan untuk memajukan teknologi penyimpanan energi yang layak.

Klik di sini untuk mempelajari teknologi baterai solid-state revolusioner Princeton.

Menuju SSB Generasi Berikutnya untuk Solusi Energi Berkelanjutan

Untuk berhasil membangun baterai solid-state yang lebih kuat dan berkelanjutan, peneliti di Tohoku University telah membangun kerangka AI berbasis data¹.

Berbeda dengan pendekatan tradisional yang melibatkan pengujian setiap material dan kemudian menentukan jalur satu per satu, kerangka ini mengidentifikasi kandidat solid-state electrolyte (SSE) potensial yang dapat menjadi “yang satu” untuk menciptakan solusi energi berkelanjutan yang ideal.

Model yang dikembangkan tidak hanya memilih kandidat optimal tetapi juga dapat meramalkan bagaimana reaksi akan terjadi. Selain itu, model menjelaskan mengapa kandidat tertentu merupakan pilihan yang baik dengan memberikan wawasan tentang mekanisme potensial, membantu peneliti memulai bahkan sebelum masuk laboratorium.

“Model pada dasarnya melakukan semua pekerjaan coba-coba untuk kami. Ia mengambil data dari basis data besar dari studi sebelumnya untuk menelusuri semua opsi potensial dan menemukan kandidat SSE terbaik.”

Kerangka AI canggih dari tim ini terintegrasi dengan Large Language Model (LLM), jenis model pembelajaran mesin yang dilatih sebelumnya dengan sejumlah besar data. LLM dikenal karena kemampuannya yang luar biasa dalam memproses, memahami, dan menghasilkan bahasa manusia.

Dengan menggabungkan teknik berbasis data lainnya, model prediktif ini mengambil data baik komputasional maupun eksperimental. Dengan cara ini, studi ini memberikan peneliti opsi solid yang memiliki hasil paling sukses.

Selain membantu mempercepat proses pengembangan baterai solid-state berperforma tinggi dan berkelanjutan, studi ini juga bertujuan memahami hubungan kompleks antara struktur dan kinerja SSE. Hubungan ini mencakup faktor seperti konduktivitas ionik, stabilitas, dan kompatibilitas dengan elektroda serta sering diselidiki melalui pemodelan komputasional, analisis eksperimental, dan pendekatan berbasis data.

Model yang dibangun tim selanjutnya memprediksi energi aktivasi, menentukan struktur kristal yang stabil, dan meningkatkan alur kerja keseluruhan peneliti. Temuan studi menunjukkan MetaD sebagai metode komputasi yang luar biasa, menunjukkan kesesuaian yang signifikan dengan data eksperimental untuk SSE hidrid kompleks.

Peneliti juga telah mengidentifikasi sistem transfer ion baru. Mekanisme “dua langkah” ditemukan pada kedua SSE yang muncul dari integrasi molekul netral.

Jadi, dengan menggabungkan analisis fitur dengan regresi linier berganda, tim berhasil mengembangkan model prediktif yang tepat untuk evaluasi cepat kinerja SSE hidrid. Lebih penting lagi, kerangka kerja memungkinkan prediksi akurat struktur kandidat tanpa bergantung pada masukan eksperimental.

Secara keseluruhan, studi ini memberikan wawasan besar serta metodologi canggih untuk desain dan optimasi efisien baterai solid-state generasi berikutnya.

Namun ini hanyalah langkah awal menuju pembangunan solusi energi berkelanjutan, dengan tim berencana memperluas penerapan kerangka kerja mereka ke berbagai keluarga elektrolit. Tim sebenarnya mengharapkan alat AI generatif berguna dalam menyelidiki jalur migrasi ion dan mekanisme reaksi, meningkatkan kapasitas prediktif platform.

Berinvestasi di Pasar Baterai Solid State

Ketika berbicara tentang perusahaan yang dapat diinvestasikan dalam pasar baterai solid-state yang berkembang, QuantumScape berada di garis depan, sebagai pemain utama yang fokus pada teknologi lithium-metal. Separator keramik solid-state miliknya dirancang untuk meningkatkan densitas energi, kecepatan pengisian, dan keamanan sekaligus mencegah masalah kritis seperti pembentukan dendrit, yang telah membatasi adopsi anoda lithium-metal.

QuantumScape Corporation (QS )

Mengembangkan teknologi SSB untuk EV dan berupaya menjadi produsen peralatan asli (OEM), QuantumScape Corporation telah menjalin kemitraan dengan produsen mobil besar Volkswagen Group dan anak perusahaannya, PowerCo.

Meskipun menghadapi tantangan dalam komersialisasi, QuantumScape tetap menjadi nama besar di bidang ini. Tahun lalu, mereka mulai memproduksi sampel berbagai produk SSB mereka dan berencana memproduksi lebih banyak lagi tahun ini.

Dengan kapitalisasi pasar $2,2 miliar, saham QS saat ini diperdagangkan pada $3,90, turun lebih dari 25% tahun ini. EPS (TTM)-nya adalah -0,91, dan P/E (TTM) adalah -4,30.

Untuk Q1 2025, perusahaan melaporkan belanja modal $5,8 juta, biaya operasional GAAP $123,6 juta, dan kerugian bersih GAAP $114,4 juta. Mereka mengakhiri kuartal dengan likuiditas $860,3 juta, dengan perkiraan dana tunai cukup hingga paruh kedua 2028.

Tahun ini, perusahaan berencana membawa proses separator Cobra ke produksi standar, meningkatkan kualitas dan output sampel QSE-5, serta mengirim sel QSE-5 untuk menunjukkan kemampuan kinerja luar biasanya dalam aplikasi dunia nyata.

Berita Terbaru tentang QuantumScape Corporation

Kesimpulan

Dengan baterai memainkan peran kunci dalam memberi daya pada elektronik, EV, dan sistem energi, diperlukan pengembangan material energi generasi berikutnya untuk menciptakan masa depan yang berkelanjutan. Meskipun baterai solid-state menawarkan solusi menjanjikan, pengembangannya menghadapi tantangan teknis yang signifikan. Apa yang dibutuhkan dalam pengembangan SSB adalah peningkatan kinerja solid-state electrolyte (SSE).

Oleh karena itu, penelitian intensif seputar SSE, yang siap dipercepat lebih cepat berkat model AI berbasis data baru, didukung oleh dataset besar dan teknik simulasi canggih, membantu peneliti mengidentifikasi dan mengoptimalkan SSE dengan kecepatan dan akurasi yang belum pernah terjadi sebelumnya. Konvergensi ilmu material dan pembelajaran mesin ini menunjukkan potensi besar dalam menyediakan solusi baterai solid-state berperforma tinggi dan berkelanjutan untuk mendukung masa depan energi bersih.

Klik di sini untuk daftar saham baterai solid-state teratas.

Studi yang Dirujuk:

1. Wang, Q., Yang, F., Wang, Y., Zhang, D., Sato, R., Zhang, L., Cheng, E. J., Yan, Y., Chen, Y., Kisu, K., Orimo, S., & Li, H. (2025). Unraveling the complexity of divalent hydride electrolytes in solid-state batteries via a data-driven framework with large language model. Angewandte Chemie International Edition, 64(22), e202506573. https://doi.org/10.1002/anie.202506573