AI upptäcker nya material för nästa generations batterier

Litium mot resten

Litiumjonbatterier har hittills dominerat elektrifieringslandskapet, till stor del på grund av litiumatomernas unika elektriska egenskaper. Enkelt uttryckt är litium, som är det tredje lättaste elementet i periodiska systemet, det mest kraftfulla när det gäller att bära laddningar med en enda elektron.

Källa: Medium

Dock är litium dyrt, vilket gör alternativa batterikemi potentiellt ekonomiskt attraktiva. Noterbart är att natriumjonbatterier har fått ökad uppmärksamhet av just denna anledning.

Det verkar som om en annan design kan ha mer potential än tidigare trott: multivalentjonbatterier. De använder metalliska joner som kan bära mer än en elektron samtidigt, och kan vara mer kostnadseffektiva än litiumjonbatterier.

Det senaste genombrottet uppnåddes genom att använda AI för att testa miljontals kombinationer av batterimaterial. Denna upptäckt gjordes av forskare vid New Jersey Institute of Technology (NJIT) och Rensselaer Polytechnic Institute (RPI) (USA). De publicerade sina resultat i Cell Reports Physical Science¹, under titeln ”Generative AI for discovering porous oxide materials for next-generation energy storage”.

De många typerna av jonbatterier

Om litiumjon tog över små elektronikprodukter och tidiga EV-design tack vare sin energitäthet, kan många andra metalliska joner användas enligt samma princip.

Som tidigare nämnts är natriumjon för närvarande ett populärt alternativ, som i ökande grad massproduceras för billiga EV-modeller.

Ett annat alternativ är att använda magnesium, kalcium, aluminium eller zink, som alla är multivalentjoner. Detta innebär att de bär två eller till och med tre positiva laddningar.

Dock medför den större laddningen också större storlekar. Båda de större atomära specifikationerna gör det svårt att effektivt integrera multivalentjoner i batterimaterial, vilket minskar batteritätheten för mycket för att vara kommersiellt hållbart.

Åtminstone var detta sant för konventionella batterimaterial som utvecklats för litium- eller natriumjoner. Men de är långt ifrån de enda möjliga batterimaterialen som kan användas. Många andra kristallina strukturer kan byggas för att hysa de joner vars rörelse bär de elektriska laddningarna.

“En av de största hindren var inte bristen på lovande batterikemi — det var den rena omöjligheten att testa miljontals materialkombinationer,”

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

AI som assisterar forskning

En kraftfull assistent

Mänskliga sinnen är inte de bästa på att hantera dataset där siffrorna når upp i miljoner. Men AI är utmärkta på det.

Det är en växande trend bland forskare, särskilt inom materialvetenskap eller bioteknik, att använda AI-teknik för att hjälpa till att identifiera de mest lovande idéerna, innan de analyseras och testas mer grundligt.

“Vi vände oss till generativ AI som ett snabbt, systematiskt sätt att sålla igenom det enorma landskapet och identifiera de få strukturer som verkligen kan göra multivalentbatterier praktiska.”

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

Tidigare skulle en beräkningsmodell som enbart förlitade sig på fysik ha varit oförmögen att hantera den extremt komplexa beräkning som krävs för att modellera en ny typ av kristallstruktur.

Men nya typer av AI, baserade på maskininlärning och neurala nätverk, kan bättre ”gissa” de allmänna egenskaperna hos ett material utan formella matematiska beräkningar av den bakomliggande fysiken.

Källa: Cell

Forskarna utvecklade ett system som förlitade sig på två olika typer av AI samtidigt, en som är kunnig om kristaller och en LLM (Large Language Model), samma teknologiska grund som ligger bakom ChatGPT.

Källa: Cell

Kristall Diffusions Variationsautoenkodare (CDVAE)

CDVAE-modellen genererade 10 000 strukturer, som genomgick en serie precisa screenings- och valideringssteg för att säkerställa att de uppfyllde nödvändiga standarder.

Till exempel kontrollerade den att avståndet mellan atompar var tillräckligt stort, eller att systemet var laddningsneutralt.

Denna metod genererade 42 strukturer som potentiellt kan användas för batterimaterial.

Av dessa matchade 21 strukturer befintliga poster i databasen men erbjöd nya konfigurationer med skillnader i stökiometri, gitterparametrar eller rymdgrupper. De återstående 21 strukturerna var helt nya.

Källa: Cell

Så skapade den både nya versioner av befintligt material som tidigare var okända och helt nya potentiella batterimaterial.

LLM

Forskarna använde sedan Metas (FB ) Llama-3.1-8B, speciellt kalibrerad och anpassad för att generera kristallstrukturer.

Källa: Cell

Detta genererade över 10 000 kristallstrukturer, varav 1 087 strukturer kvarstod efter kontroll av strukturell integritet. Med samma filter som för CDVAE resulterade detta i 13 potentiella kandidater, varav de 5 mest stabila strukturerna valdes.

Källa: Cell

Svep för att rulla →

Utmanar AI:s fynd

Forskarna använde en matematisk testmetod kallad “DFT relaxation”, som beräknar materialets fria energi (kopplad till stabilitet), för att kontrollera kvaliteten på det hittade materialet.

Det framkommer snabbt att de LLM-genererade kristallina materialen generellt var mycket bättre och mer stabila än de som genererades med CDVAE.

Källa: Cell

“Våra AI-verktyg påskyndade upptäcktsprocessen dramatiskt, vilket avslöjade fem helt nya porösa övergångsmetalloxidstrukturer som visar anmärkningsvärd potential,”

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

Kan det tillverkas?

Teamet validerade sina AI-genererade strukturer med hjälp av kvantmekaniska simuleringar och stabilitetstester, vilket bekräftade att materialen faktiskt kan syntetiseras experimentellt och har stor potential för verkliga tillämpningar.

“Dessa material har stora, öppna kanaler som är idealiska för att snabbt och säkert transportera dessa skrymmande multivalentjoner, ett kritiskt genombrott för nästa generations batterier.”

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

Nästa steg blir att samarbeta med experimentella laboratorier för att syntetisera och testa de nykonceptualiserade AI-designade materialen.

Det kan göra multivalentbatterier till nästa steg i batteriteknologin. Hittills har bristen på ett bra material för att ta emot de större atomerna hindrat utvecklingen av detta alternativ. Genom att använda bättre material för att lagra magnesium, aluminium eller andra stora joner, kan den fler‑elektron‑transportkapacitet som dessa atomer har kanske en dag överglänsa även litiums kraftfulla, men enkla‑elektron‑bärande kapacitet.

Investering i materialvetenskap & AI-innovation

Meta: AI-driven materialvetenskap

Idag är Meta fortfarande mest känt för sina Facebook- och Instagram-plattformar, samt WhatsApp-chatt. Det är också närvarande i virtuell verklighet (VR) med sina VR-headsets och sitt något misslyckade “Metaverse”.

Viktigt är dock att Meta är ett AI-företag med enorma investeringar i infrastruktur för att möjliggöra detta.

“Det första multi-gigawatt-datacentret, kallat Prometheus, förväntas tas i drift 2026, medan ett annat, kallat Hyperion, kommer kunna skala upp till 5 gigawatt under de kommande åren.

”Vi bygger också flera fler titan-kluster. Bara ett av dessa täcker en betydande del av Manhattan’s fotavtryck.

Mark Zuckerberg – Meta Grundare & VD

LLM-teknik verkar vid första anblicken mest användbar för ”pratande” uppgifter, som chatbots, förbättrad onlinesökning, utbildning och andra mänskligt‑centrerade aktiviteter.

Men denna forskning visar att LLM:s förmåga att lära sig språk kan användas för andra datatunga uppgifter, som att lära sig ”prata” kristallstrukturer. Detsamma kan sägas om genetiska koder, till exempel.

Detta innebär att framsteg i LLM-algoritmer sannolikt kommer att inleda en gyllene era av helt nya upptäckter inom skapandet av nya material för batterier, avancerade material, energiproduktion osv., samt nya typer av proteiner och DNA/RNA‑material som kan omvandlas till medicin, biotillverkningsverktyg osv.

I detta sammanhang innebär det att företag som Meta och dess Lama‑LLM‑modeller inte bara bygger potentiellt lönsamma tekniska ersättningar för befintliga verktyg, utan också kan bli en IP‑kraftkälla i den fysiska världen.

I detta sammanhang kan man komma ihåg att den ursprungliga teknikverksamheten för företag som Meta, eller för den delen Google (GOOGL ) eller Microsoft (MSFT ), bara var ett steg innan de förvandlades till AI‑ och IP‑drivna jättar som förändrar världen med många nya teknologier, inklusive inom förnybar energi och materialvetenskap.

Senaste Meta (META) aktienyheter och utvecklingar

Refererad studie

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