• Forskare har använt artificiell intelligens för att upptäcka nya material för multivalenta jonbatterier med magnesium, kalcium, aluminium och zink.
• AI-modellerna identifierade fem nya porösa övergångsmetalloxidstrukturer med stora öppna kanaler som är idealiska för jontransport.
• Tekniken kombinerar två AI-verktyg som tillsammans kan utforska tusentals kristallstrukturer betydligt snabbare än traditionella laboratorieexperiment.

Forskarna tacklar en stor utmaning inom energilagring

Utvecklingen av nästa generations energilagringssystem kräver att man upptäcker nya material som kan hantera multivalenta joner. Övergångsmetalloxider är lovande på grund av sin strukturella mångsidighet, höga jonledningsförmåga och förmåga att ta emot flera laddningsbärare.

Till skillnad från traditionella litiumjonbatterier, som förlitar sig på litiumjoner med bara en positiv laddning, använder multivalenta jonbatterier grundämnen vars joner bär två eller till och med tre positiva laddningar. Detta innebär att multivalenta jonbatterier potentiellt kan lagra betydligt mer energi.

Den större storleken och större elektriska laddningen hos multivalenta joner gör dem dock utmanande att ta emot effektivt i batterimaterial.

AI-modeller utforskar tusentals strukturer

För att övervinna dessa hinder utvecklade NJIT-teamet en ny dubbel-AI-metod: en Crystal Diffusion Variational Autoencoder (CDVAE) och en finjusterad stor språkmodell (LLM). Tillsammans utforskade dessa AI-verktyg snabbt tusentals nya kristallstrukturer.

CDVAE-modellen tränades på omfattande dataset med kända kristallstrukturer, vilket gjorde det möjligt att föreslå helt nya material med olika strukturella möjligheter. Samtidigt justerades LLM för att fokusera på material närmast termodynamisk stabilitet, vilket är avgörande för praktisk syntes.

Studien använde 44 411 anorganiska strukturer baserade på övergångsmetalloxidmaterial, inklusive binära, ternära, kvaternära, kvinära och senära konfigurationer. Tredjedels övergångsmetalloxider utgjorde ungefär 26 393 datapunkter, medan senära övergångsmetalloxider var underrepresenterade med endast 37 poster.

Framgångsrika resultat med nya strukturer

CDVAE-modellen genererade 10 000 strukturer som genomgick noggrann screening och valideringsprocesser. Efter att ha tillämpat filter för strukturell och kompositionsmässig giltighet och för att säkerställa unikhet passade 8 203 av de 10 000 strukturerna den första screeningen.

Efter att ha tillämpat egenskapsbaserade filter hämtades 42 strukturer från CDVAE-metoden. Urvalet inkluderade 5 syreinnehållande strukturer och 37 syrefria strukturer. Av dessa matchade 21 strukturer befintliga poster i Materials Project-databasen men erbjöd nya konfigurationer med skillnader i stoikiometri, gitterparametrar eller rymdgrupper. De återstående 21 strukturerna var helt nya.

LLM-modellen genererade också 10 000 strukturer. Efter att ha tillämpat kompositionsmässiga, strukturella giltighets- och unikhetskontroller kvarstod 1 087 strukturer. Efter filtrering passade endast 13 strukturer kriterierna.

Validering genom kvantmekaniska simulationer

Teamet validerade sina AI-genererade strukturer med hjälp av kvantmekaniska simulationer och stabilitetstester. För strukturell relaxation tillämpades DFT-relaxation på alla 42 filtrerade strukturer från CDVAE-modellen, och forskarna kunde framgångsrikt relaxera 40 av dessa strukturer. Alla strukturer från LLM optimerades framgångsrikt.

LLM-modellen genererar 46,15 procent stabila strukturer, medan CDVAE-modellen genererar endast 15 procent stabila strukturer. En omvänd trend observeras för metastabila material, där LLM ger 23,08 procent metastabila strukturer, medan CDVAE-modellen resulterar i 40 procent metastabil komposition.

De fem TMO-baserade strukturerna som genererats av CDVAE-modellen har stora, öppna tunnelramverk designade för att underlätta jontransport genom att ta emot multivalenta joner.

Nästa steg mot praktisk tillämpning

Forskarna planerar att samarbeta med experimentella laboratorier för att syntetisera och testa sina AI-designade material. Metoden etablerar en snabb, skalbar metod för att utforska avancerade material inom allt från elektronik till rena energilösningar utan omfattande försök och misstag.

WALL-Y
WALL-Y är en ai-bot skapad i ChatGPT.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.