AI oppdager nye materialer for neste generasjonsbatterier

Lithium versus resten

Lithium‑ionbatterier har så langt dominert elektrifiseringslandskapet, i stor grad på grunn av litiums atomers unike elektriske egenskaper. Enkelt sagt, litium, som er det 3^rd letteste elementet i periodesystemet, er det mest kraftfulle når det gjelder å bære ladninger med ett enkelt elektron.

Kilde: Medium

Imidlertid er litium dyrt, noe som gjør alternative batterikjemier potensielt økonomisk attraktive. Merk at natrium‑ionbatterier har fått økt oppmerksomhet nettopp av denne grunnen.

Det ser ut til at et annet design kan ha mer potensial enn tidligere antatt: multivalent‑ionbatterier. De bruker metallioner som kan bære mer enn ett elektron samtidig, og kan være mer kostnadseffektive enn litium‑ionbatterier.

Det siste gjennombruddet ble oppnådd ved å bruke AI til å teste millioner av kombinasjoner av batterimaterialer. Denne oppdagelsen ble gjort av forskere ved New Jersey Institute of Technology (NJIT) og Rensselaer Polytechnic Institute (RPI) (USA). De publiserte resultatene i Cell Reports Physical Science¹, under tittelen ”Generative AI for discovering porous oxide materials for next-generation energy storage”.

De mange typene ionbatterier

Hvis litium‑ion tok over små elektronikkprodukter og tidlige elbil‑design takket være sin energitetthet, kan mange andre metallioner brukes etter samme prinsipp.

Som nevnt er natrium‑ion for tiden et populært alternativ, som i økende grad masseproduseres for billige elbilmodeller.

Et annet alternativ er å bruke magnesium, kalsium, aluminium eller sink, som alle er multivalent‑ioner. Dette betyr at de bærer to eller til og med tre positive ladninger.

Imidlertid medfører den større ladningen også større størrelser. Begge de større atomspesifikasjonene gjør det utfordrende å innkapsle multivalent‑ioner effektivt i batterimaterialer, noe som reduserer batteritettheten så mye at den ikke er kommersielt levedyktig.

Dette var i det minste sant for konvensjonelle batterimaterialer utviklet for litium‑ eller natrium‑ioner. Men de er langt fra de eneste mulige batterimaterialene som kan brukes. Mange andre krystallinske strukturer kan bygges for å huse ionene hvis bevegelse bærer de elektriske ladningene.

«En av de største hindringene var ikke mangel på lovende batterikjemier – det var den rene umuligheten av å teste millioner av materialkombinasjoner,»
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

AI-assistert forskning

En kraftig assistent

Menneskelige hjerner er ikke de beste til å håndtere datasett hvor tallene går mot millioner. Men AI-er er utmerkede på dette.

Det er en voksende trend blant forskere, spesielt innen materialvitenskap eller bioteknologi, å bruke AI‑teknologi for å hjelpe med å identifisere de mest lovende ideene, før de analyseres og testes grundigere.

«Vi vendte oss til generativ AI som en rask, systematisk måte å sile gjennom dette enorme landskapet og finne de få strukturene som virkelig kunne gjøre multivalent‑batterier praktiske.»
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

Tidligere ville en beregningsmodell som kun stolte på fysikk ikke ha kunnet håndtere den ekstremt komplekse beregningen som kreves for å modellere en ny type krystallstruktur.

Men nye typer AI, basert på maskinlæring og nevrale nettverk, er bedre i stand til å «gjette» de generelle egenskapene til et materiale uten formell matematisk beregning av den underliggende fysikken.

Kilde: Cell

Forskerne utviklet et system som samtidig benyttet to forskjellige typer AI, en med kunnskap om krystaller, og en LLM (Large Language Model), den samme teknologiske basen som ligger bak ChatGPT.

Kilde: Cell

Krystall‑diffusjonsvariational Autoencoder (CDVAE)

CDVAE‑modellen genererte 10 000 strukturer, som ble utsatt for en rekke presise screenings‑ og valideringssteg for å sikre at de oppfylte nødvendige standarder.

For eksempel sjekket den at avstanden mellom atompar var stor nok, eller at systemet var ladningsnøytralt.

Denne metoden genererte 42 strukturer som potensielt kan brukes til batterimaterialer.

Av disse matchet 21 strukturer eksisterende oppføringer i databasen, men tilbød nye konfigurasjoner med forskjeller i støkiometri, gitterparametere eller romgrupper. De resterende 21 strukturene var helt nye.

Kilde: Cell

Dermed skapte den både nye versjoner av eksisterende materiale som tidligere var ukjent, samt helt nye potensielle batterimaterialer.

LLM

Forskerne brukte deretter Metas (FB ) Llama-3.1-8B, spesielt kalibrert og tilpasset for å generere krystallstrukturer.

Kilde: Cell

Dette genererte over 10 000 krystallstrukturer, hvorav 1 087 strukturer forble etter kontroll av strukturell integritet. Ved å bruke de samme filtrene som med CDVAE, resulterte dette i 13 potensielle kandidater, hvorav de 5 mest stabile strukturene ble valgt.

Kilde: Cell

Swipe to scroll →

Utfordre AI‑ens funn

Forskerne brukte en matematisk testmetode kalt “DFT‑relaksasjon”, som beregner materialets frie energi (knyttet til stabilitet), for å sjekke kvaliteten på det funne materialet.

Det fremkommer raskt at de LLM‑genererte krystallinske materialene generelt var mye bedre og mer stabile enn de som ble generert med CDVAE.

Kilde: Cell

«Våre AI‑verktøy akselererte oppdagelsesprosessen dramatisk, og avdekket fem helt nye porøse overgangsmetall‑oksidstrukturer som viser bemerkelsesverdig potensial,»
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

Kan det lages?

Teamet validerte sine AI‑genererte strukturer ved hjelp av kvantemekaniske simuleringer og stabilitetstester, og bekreftet at materialene faktisk kan syntetiseres eksperimentelt og har stort potensial for virkelige anvendelser.

«Disse materialene har store, åpne kanaler som er ideelle for å flytte disse klumpete multivalent‑ionene raskt og trygt, et kritisk gjennombrudd for neste generasjonsbatterier.»
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)

Neste steg vil være å samarbeide med eksperimentelle laboratorier for å syntetisere og teste de nykonseptualiserte AI‑designede materialene.

Det kan gjøre multivalent‑batterier til neste steg i batteriteknologien. Så langt har mangelen på et godt materiale som kan ta imot de større atomene hindret utviklingen av dette alternativet. Ved å bruke bedre materialer for å lagre magnesium, aluminium eller andre store ioner, kan flermolekylær elektrontransportkapasitet for disse atomene kanskje en dag overgå selv litiums kraftige, men enkelt‑elektron‑bærende kapasitet.

Investere i materialvitenskap og AI‑innovasjon

Meta: AI‑drevet materialvitenskap

I dag er Meta fortsatt mest kjent for sine Facebook‑ og Instagram‑sosiale medieplattformer, samt WhatsApp‑chatten. Det er også tilstede i virtuell virkelighet (VR) med sine VR‑headset og den noe mislykkede “Metaverse”.

Viktig er imidlertid at Meta er et AI‑selskap med massive investeringer i infrastruktur for å få dette til.

«Det første multi‑gigawatt‑datasenteret, kalt Prometheus, forventes å tas i bruk i 2026, mens et annet, kalt Hyperion, vil kunne skaleres opp til 5 gigawatt i løpet av de kommende årene.

«Vi bygger også flere titan‑klynger. Bare én av disse dekker en betydelig del av Manhattan‑området.»

Mark Zuckerberg – Meta Founder & CEO

LLM‑teknologi ser ved første øyekast ut til å være mest nyttig for «snakkende» oppgaver, som chat‑bots, forbedret nettsøk, utdanning og andre menneske‑sentrerte aktiviteter.

Men denne forskningen viser at LLM‑s evne til å lære språk kan brukes til andre datatunge oppgaver, som å lære hvordan man «snakker» krystallstrukturer. Det samme kan sies om genetiske koder, for eksempel.

Dette betyr at fremgang i LLM‑algoritmer sannsynligvis vil innlede en gullalder av helt nye oppdagelser innen skapelsen av nye materialer for batterier, avanserte materialer, energiproduksjon osv., samt nye typer proteiner og DNA/RNA‑materialer som kan omdannes til medisin, bioproduksjonsverktøy osv.

I den sammenhengen innebærer dette at selskaper som Meta og deres Lama‑LLM‑modeller ikke bare bygger potensielt lønnsomme teknologiske erstatninger for eksisterende verktøy, men også kan bli en IP‑kraftsentral i den fysiske verden.

I den sammenhengen kan man huske at den opprinnelige teknologivirksomheten til selskaper som Meta, eller for den saks skyld Google (GOOGL ) eller Microsoft (MSFT ), bare var et springbrett før de ble forvandlet til AI‑ og IP‑drevne giganter som endrer verden med mange nye teknologier, inkludert innen fornybar energi og materialvitenskap.

Siste Meta (META) aksjenyheter og utviklinger

Studie referert

^{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}