用大数据方法协助研发下一代电池电解液

发现新的、强大的电解质是为电动汽车、手机、笔记本电脑和电网规模储能设计下一代电池的主要瓶颈之一。

最稳定的电解质并不总是最导电的。最高效的电池并不总是最稳定的。等等。

“电极必须同时满足非常不同的特性。他们总是相互冲突，“在芝加哥大学普利兹克分子工程学院 （UChicago PME） 的 Amanchukwu 实验室工作的 Eric 和 Wendy Schimdt 人工智能科学博士后研究员 Ritesh Kumar 说。

Kumar 是发表在《材料化学》上的一篇新论文的第一作者，该论文将人工智能和机器学习应用于工作。该论文概述了一个新的框架，用于寻找分子，这些分子可以最大限度地利用构成理想电池电解质的三个成分——离子电导率、氧化稳定性和库仑效率。

该小组从锂离子电池研究早期的 250 篇研究论文中汇编而成的数据集中提取，使用 AI 来统计他们所谓的不同分子的“eScore”。eScore 平衡了这三个标准，确定了满足所有三个条件的分子。

“一种特性中的冠军分子不是另一种特性中的冠军分子，”Kumar 的首席研究员、芝加哥大学 PME Neubauer Family 分子工程助理教授 Chibueze Amanchukwu 说。

他们已经测试了他们的工艺，使用 AI 来识别一种性能与市场上最好的电解质一样好的分子，这在通常依赖于试错法的领域中取得了重大进步。

“电解质优化是一个缓慢且具有挑战性的过程，研究人员经常求助于试错法来平衡多组分混合物中的竞争特性，”未参与这项研究的西北大学化学与生物工程助理教授 Jeffrey Lopez 说。“这些类型的数据驱动型研究框架对于帮助加速新电池材料的开发以及利用人工智能驱动的科学和实验室自动化的进步至关重要。”

电池的音乐

人工智能为科学家在实验室中测试发现了有前途的候选者，从而减少了他们在死胡同和错误开始上浪费的时间、精力和资源。芝加哥大学 PME 的研究人员已经在使用 AI 来帮助开发癌症治疗、免疫疗法、水处理方法、量子材料和其他新技术。

鉴于可以制造电池电解质的理论分子数为 1060，或者后面有 60 个 0 的 1，则可以从数十亿个非启动者中标记可能的赢家的技术为研究人员提供了巨大的优势。

“我们不可能通过数亿种化合物说，'哦，我认为我们应该研究这个，'”Amanchukwu 说。

Amanchukwu 将 AI 用于研究与在线听音乐进行了比较。

想象一下，一个 AI 对特定人的音乐品味进行了训练，这些品质的组合会融入他们自己的好歌个人 eScore。新的电解质研究创造了相当于 AI 的 AI，它可以遍历现有的播放列表，并一首歌一首地预测这个人是否会喜欢它。下一步将是一个 AI，它可以创建一个它认为人们会喜欢的歌曲播放列表，这是一个微妙但重要的概念调整。

最后一步，也是 Amanchukwu 实验室 AI 研究的目标，将是可以编写音乐的 AI，或者在这种情况下设计一个满足所有给定参数的新分子。

平面设计的怪癖

从 2020 年开始，该团队开始手动整理 AI 的训练数据。

“目前的数据集有数千种潜在的电解质，我们从跨越 50 多年的研究文献中提取，”Kumar 说。

他们必须手动输入数据的原因之一不是来自化学，而是来自平面设计。

当研究人员撰写论文和期刊以杂志格式排列它们时，团队转换为 eScores 的数字通常会在图像中找到。这些是 jpeg 或 .png 插图、图表、图表和其他图形，它们在文本中运行，但不是文本本身的一部分。

大多数使用研究论文进行训练的大型语言模型只是阅读文本，这意味着芝加哥大学 PME 团队将在未来一段时间内手动输入训练数据。

“即使是今天的模型也确实难以从图像中提取数据，”Amanchukwu 说。

尽管训练数据非常庞大，但这只是第一步。

“我不想找到已经在我的训练数据中的分子，”Amanchukwu 说。“我想在非常不同的化学空间中寻找分子。因此，我们测试了这些模型在看到以前从未见过的分子时的预测能力。

该团队发现，当一个分子在化学上与训练数据中的分子相似时，AI 会高精度地预测它能制造出多好的电解质。它努力标记不熟悉的材料，这标志着该团队在寻求使用 AI 设计下一代电池的下一个挑战。