AI ontdekt nieuwe materialen voor batterijen van de volgende generatie

Lithium versus de rest

Lithium‑ionbatterijen hebben tot nu toe het elektrificatielandschap gedomineerd, grotendeels vanwege de unieke elektrische eigenschappen van lithiumatomen. Simpel gezegd, lithium, als het 3^de lichtste element in het periodiek systeem, is het krachtigste wanneer het gaat om het dragen van ladingen met één enkel elektron.

Bron: Medium

Echter, lithium is duur, waardoor alternatieve batterijchemieën economisch aantrekkelijk kunnen zijn. Met name natrium‑ionbatterijen winnen aan populariteit om precies die reden.

Het lijkt erop dat een ander ontwerp meer potentieel heeft dan eerder gedacht: multivalente‑ionbatterijen. Ze gebruiken metalen ionen die meer dan één elektron tegelijk kunnen dragen, en kunnen kosteneffectiever zijn dan lithium‑ionbatterijen.

De recente doorbraak werd bereikt door AI te gebruiken om miljoenen combinaties van batterijmaterialen te testen. Deze ontdekking werd gedaan door onderzoekers van het New Jersey Institute of Technology (NJIT) en het Rensselaer Polytechnic Institute (RPI) (VS). Ze publiceerden hun resultaten in Cell Reports Physical Science¹, onder de titel “Generative AI for discovering porous oxide materials for next-generation energy storage”.

De vele soorten ionbatterijen

Als lithium‑ion de kleine elektronica en vroege EV‑ontwerpen overnam dankzij zijn energiedichtheid, kunnen veel andere metalen ionen volgens hetzelfde principe worden gebruikt.

Zoals besproken is natrium‑ion momenteel een populair alternatief, steeds meer massaal geproduceerd voor goedkope EV‑modellen.

Een andere optie is het gebruik van magnesium, calcium, aluminium of zink, die allemaal multivalente ionen zijn. Dit betekent dat ze twee of zelfs drie positieve ladingen dragen.

Echter, de grotere lading gaat gepaard met grotere afmetingen. Beide grotere atomaire specificaties maken het moeilijk om multivalente ionen efficiënt in batterijmaterialen te huisvesten, waardoor de batterijdichtheid te sterk wordt verminderd om commercieel levensvatbaar te zijn.

Tenminste, dit gold voor conventionele batterijmaterialen die ontwikkeld zijn voor lithium‑ of natriumionen. Maar ze zijn verre van de enige mogelijke batterijmaterialen die gebruikt kunnen worden. Veel andere kristallijne structuren kunnen worden gebouwd om de ionen te huisvesten waarvan de beweging de elektrische ladingen draagt.

“Een van de grootste obstakels was geen gebrek aan veelbelovende batterijchemieën — het was de pure onmogelijkheid om miljoenen materiaalcombinaties te testen,”

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

AI ondersteunt onderzoek

Een krachtige assistent

Menselijke geesten zijn niet de besten in het omgaan met datasets waarbij de aantallen in de miljoenen lopen. Maar AI’s zijn hier uitstekend in.

Het is een groeiende trend onder onderzoekers, vooral in materiaalkunde of biotechnologie, om AI‑technologie te gebruiken om de meest veelbelovende ideeën te identificeren, voordat ze grondiger worden geanalyseerd en getest.

“We wendden ons tot generatieve AI als een snelle, systematische manier om door dat enorme landschap te bladeren en de weinige structuren te vinden die multivalente batterijen echt praktisch kunnen maken.”

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

Eerder zou een rekenmodel dat uitsluitend op fysica vertrouwt, niet in staat zijn geweest om de extreem complexe berekening die nodig is om een nieuw type kristalstructuur te modelleren, aan te kunnen.

Maar nieuwe soorten AI, gebaseerd op machine learning en neurale netwerken, kunnen beter de algemene eigenschap van een materiaal “raden” zonder formele wiskundige berekening van de onderliggende fysica.

Bron: Cell

De onderzoekers ontwikkelden een systeem dat gelijktijdig twee verschillende soorten AI gebruikte, één die kennis heeft van kristallen, en één LLM (Large Language Model), dezelfde technologische basis als ChatGPT.

Bron: Cell

Kristal Diffusie Variationale Autoencoder (CDVAE)

Het CDVAE‑model genereerde 10.000 structuren, die werden onderworpen aan een reeks nauwkeurige screenings‑ en validatiestappen om te verzekeren dat ze aan de noodzakelijke normen voldeden.

Bijvoorbeeld controleerde het of de afstand tussen atoomparen groot genoeg was, of de ladingsneutraliteit van het systeem.

Deze methode genereerde 42 structuren die potentieel bruikbaar zijn voor batterijmaterialen.

Hiervan kwamen 21 structuren overeen met bestaande invoer in de database, maar boden nieuwe configuraties met verschillen in stoichiometrie, rasterparameters of ruimtegruppen. De overige 21 structuren waren volledig nieuw.

Bron: Cell

Zo creëerde het zowel nieuwe versies van bestaand materiaal die voorheen onbekend waren, als volledig nieuw potentieel batterijmateriaal.

LLM

De onderzoekers gebruikten vervolgens Meta’s (FB ) Llama-3.1-8B, speciaal gekalibreerd en afgestemd op het genereren van kristalstructuren.

Bron: Cell

Dit genereerde meer dan 10.000 kristalstructuren, waarvan 1.087 structuren overbleven na controle op structurele integriteit. Met dezelfde filters als bij CDVAE resulteerde dit in 13 potentiële kandidaten, waarvan de 5 meest stabiele structuren werden gekozen.

Bron: Cell

Veeg om te scrollen →

De bevindingen van de AI uitdagen

De onderzoekers gebruikten een wiskundige testmethode genaamd “DFT‑relaxatie”, waarbij de vrije energie van het materiaal (gerelateerd aan stabiliteit) werd berekend, om de kwaliteit van het gevonden materiaal te controleren.

Het blijkt al snel dat de door LLM gegenereerde kristallijne materialen over het algemeen veel beter en stabieler waren dan die gegenereerd met CDVAE.

Bron: Cell

“Onze AI‑tools hebben het ontdekkingsproces dramatisch versneld, waardoor vijf volledig nieuwe poreuze overgangsmetaal‑oxidestructuren werden ontdekt die veelbelovend zijn,”

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

Kan het worden gemaakt?

Het team valideerde hun door AI gegenereerde structuren met behulp van kwantummechanische simulaties en stabiliteitstests, waarmee werd bevestigd dat de materialen inderdaad experimenteel gesynthetiseerd kunnen worden en groot potentieel hebben voor toepassingen in de echte wereld.

“Deze materialen hebben grote, open kanalen die ideaal zijn voor het snel en veilig verplaatsen van deze omvangrijke multivalente ionen, een cruciale doorbraak voor batterijen van de volgende generatie.”

De volgende stap zal zijn om samen te werken met experimentele laboratoria om de nieuw geconceptualiseerde AI‑ontworpen materialen te synthetiseren en te testen.

Het zou multivalente batterijen tot de volgende stap in batterijtechnologie kunnen maken. Tot nu toe heeft het ontbreken van een geschikt materiaal om de grotere atomen te accepteren de ontwikkeling van deze optie geblokkeerd. Door betere materialen te gebruiken om magnesium, aluminium of andere grote ionen op te slaan, zou de multi‑elektron‑transportcapaciteit van deze atomen misschien op een dag zelfs de krachtige, maar enkel‑elektron‑dragercapaciteit van lithium kunnen overtreffen.

Investeren in materiaalkunde & AI‑innovatie

Meta: AI‑gedreven materiaalkunde

Vandaag de dag is Meta nog steeds vooral bekend om zijn Facebook‑ en Instagram‑socialmediaplatforms, evenals de WhatsApp‑chat. Het is ook aanwezig in de virtual‑reality (VR)‑ruimte met zijn VR‑headsets en het enigszins onsuccesvolle “Metaverse”.

Belangrijk is echter dat Meta een AI‑bedrijf is met enorme investeringen in infrastructuur om dit te realiseren.

“Het eerste multi‑gigawatt datacenter, genaamd Prometheus, zal naar verwachting in 2026 operationeel zijn, terwijl een ander, genaamd Hyperion, in de komende jaren kan opschalen tot 5 gigawatt.

“We bouwen ook meerdere titan‑clusters. Eén van deze beslaat al een aanzienlijk deel van de voetafdruk van Manhattan.”

Mark Zuckerberg – Meta Oprichter & CEO

LLM‑technologie lijkt op het eerste gezicht vooral nuttig voor “gespreks”‑taken, zoals chatbots, verbeterde online zoekopdrachten, onderwijs en andere mensgerichte activiteiten.

Maar dit onderzoek toont aan dat het vermogen van LLM om taal te leren kan worden ingezet voor andere data‑intensieve taken, zoals het leren “praten” met kristalstructuren. Hetzelfde geldt bijvoorbeeld voor genetische codes.

Dit betekent dat vooruitgang in LLM‑algoritmen waarschijnlijk een gouden tijdperk zal inluiden van volledig nieuwe ontdekkingen in de creatie van nieuwe materialen voor batterijen, geavanceerde materialen, energieopwekking, enz., evenals nieuwe soorten eiwitten en DNA/RNA‑materialen die kunnen worden omgezet in medicijnen, biomanufacturing‑tools, enz.

In die context impliceert dit dat bedrijven zoals Meta en hun Lama‑LLM‑modellen niet alleen potentieel winstgevende technologische vervangers voor bestaande tools bouwen, maar ook een IP‑machtpatser in de fysieke wereld kunnen worden.

In die context kan men zich herinneren dat de oorspronkelijke technologische activiteiten van bedrijven zoals Meta, of zelfs Google (GOOGL ) of Microsoft (MSFT ), slechts een opstap waren voordat ze werden omgevormd tot AI‑ en IP‑gedreven giganten die de wereld veranderen met vele nieuwe technologieën, waaronder op het gebied van hernieuwbare energie en materiaalkunde.

Laatste Meta (META) aandelen‑nieuws en ontwikkelingen

Studie geraadpleegd

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