I ricercatori si sono rivolti all’intelligenza artificiale per risolvere un problema che ha per decenni scienziati di materiali irritati: come scoprire in modo efficiente nuovi materiali che possono sovraperformare la batteria agli ioni di litio in carica. Uno studio rivoluzionario pubblicato in Cell riferisce la scienza fisica Rivela una nuova potente nuova metodologia basata sull’intelligenza artificiale che ha già identificato cinque nuovi candidati materiali, potenzialmente accelerando il passaggio verso un futuro post-litio con batterie più durature, più sicure e più sostenibili.
The Great Battery Bottleck: un ago in un pagliaio
Per tutta la loro ubiquità, le batterie agli ioni di litio hanno limiti. La dipendenza da metalli della terra rara come litio e cobalto presenta rischi significativi della catena di approvvigionamento e preoccupazioni ambientali. Inoltre, la tecnologia si sta avvicinando a un plateau in termini di densità di energia e prestazioni. Gli scienziati hanno teorizzato a lungo che i materiali noti come Ossidi di metallo di transizione (TMOS) mantenere un’immensa promessa. Le loro versatili strutture cristalline e l’alta conducibilità ionica li rendono candidati ideali per le batterie che usano ioni abbondanti e multivalenti come zinco, magnesio e alluminio invece del litio.
La sfida, tuttavia, è monumentale. Il numero di possibili strutture TMO, che combinano vari elementi in diversi rapporti e configurazioni, è astronomicamente vasto. Esplorarli con metodi sperimentali tradizionali o persino tecniche computazionali standard come la teoria funzionale della densità (DFT) è un classico problema di “ago in un padiglione di fieno”, in modo proiettile lento e costoso. È questo collo di bottiglia che la nuova ricerca mira a rompere con un sofisticato framework di AI generativo a doppia montatura.
Un framework Dual AI per la scoperta accelerata
Invece di fare affidamento su un singolo modello, i ricercatori hanno progettato un sistema sinergico in cui sono stati usati due diversi tipi di AI generativa per esplorare lo spazio chimico da diverse angolazioni. Questo approccio garantisce una ricerca più completa e solida di nuovi materiali praticabili.
Il primo componente è un Autoencoder variazionale di diffusione cristallina (CDVAE). Questo modello è stato progettato per essere l’esploratore creativo. È stato addestrato su un enorme set di dati di oltre 44.000 strutture TMO note, consentendole di apprendere le “regole” fondamentali di come si formano i cristalli stabili. Il CDVAE usa quindi questa conoscenza per generare un’ampia diversità di nuove strutture cristalline plausibili, molte delle quali non sono mai state viste prima. Nello studio, ha generato un pool iniziale di 10.000 candidati, dimostrando il suo potere nell’esplorazione di una vasta gamma di nuove configurazioni.
Il secondo componente è un ottimo lArge Language Model (LLM)in particolare una versione del modello Llama-3.1 di Meta. Mentre in genere associamo LLM al testo, i ricercatori lo hanno adattato abilmente alla lingua della chimica. Hanno convertito strutture cristalline complesse in sequenze tokenizzate di testo che l’LLM potrebbe elaborare. La forza del modello non sta nell’ampia esplorazione, ma nella precisione. Eccelle nel generare strutture che sono molto vicine all’equilibrio termodinamico, il che significa che sono altamente stabili e più probabilità di essere sintetizzabili in un laboratorio. Questo modello ha anche prodotto 10.000 strutture, ma sono stati concentrati in una regione più stretta e stabile dello spazio chimico.
Una volta generate queste decine di migliaia di candidati, sono state passate a un terzo modello di AI, uno strumento di apprendimento automatico in avanti chiamato Alignnche fungeva da filtro di screening rapido. Prevedeva rapidamente le proprietà cruciali per ciascuna struttura, come la sua energia di formazione, il divario di banda e “energia al di sopra dello scafo” (una metrica chiave per la stabilità) – consentire ai ricercatori di scartare i candidati poco promotori e concentrarsi solo su quelli più vitali.
Confrontare i creatori di AI: stabilità contro novità
Uno dei risultati più affascinanti dello studio è stata la chiara differenza nei materiali generati dai due modelli. L’LLM ha prodotto una percentuale molto più elevata di strutture considerate termodinamicamente stabili, con un valore di “energia al di sopra dello scafo” al di sotto della soglia di 0,08 ev/atomo. In particolare, il 46% dei suoi candidati filtrati era stabile, rispetto al solo 15% dai CDVAE.
Tuttavia, questo non racconta l’intera storia. Mentre le creazioni di LLM erano più stabili “fuori dalla scatola”, il CDVAE ha prodotto una gamma molto più ampia di strutture con maggiore diversità strutturale. La sua capacità di generare materiali con gruppi spaziali a bassa simmetria gli ha permesso di trovare configurazioni uniche che, sebbene inizialmente meno stabili, avevano il potenziale per rilassarsi in minimi energetici ancora più profondi di qualsiasi cosa abbia trovato l’LLM. Ciò suggerisce che il CDVAE è superiore per scoprire fasi davvero nuove e profonde che potrebbero essere sintetizzate in specifiche condizioni di non equilibrio.
Questo compromesso è cruciale: LLM è meglio per trovare materiali facili da realizzare, mentre i CDVae sono meglio per trovare materiali potenzialmente innovativi che potrebbero richiedere tecniche di sintesi più avanzate.
The Breakthrough: cinque nuovi TMO per le batterie di nuova generazione
Il trionfo finale del progetto è venuto dal modello CDVAE, che ha generato con successo cinque nuove strutture a base di TMO con proprietà ideali per le batterie agli ioni multivalenti. Questi materiali, comprese le composizioni come Cusn₂of₈ E Ca₄o₂in₂Presenta i grandi quadri di tunnel aperto che sono essenziali per consentire agli ioni più grandi di muoversi attraverso l’elettrodo in modo efficiente e sicuro.
Per confermare la redditività di queste scoperte, il team ha eseguito calcoli di dispersione di fononi su una struttura rappresentativa, Ca₄o₂in₂. I risultati non hanno mostrato instabilità reticolari, confermando la sua stabilità dinamica. Anche se è considerato metastabile, la sua struttura è solida, aprendo la porta per la sua potenziale sintesi. Questo passaggio convalida che l’IA non sta solo generando fantasie teoriche, ma materiali fisicamente plausibili degni di ricerca sperimentale.
