به گزارش ایسنا، با حرکت جوامع به سمت راهبردهایی برای رسیدن به انرژی پاک‌تر، روی آوردن به وسایل نقلیه الکتریکی و منابع انرژی تجدیدپذیر مانند باد و خورشید به طور فزاینده‌ای حیاتی می‌شود.

به نقل از نانومگزین، با این تغییرات، خطر آتش‌سوزی باتری نیز افزایش می‌یابد. برای کاهش این خطر و بهبود عملکرد باتری، نسل بعدی باتری‌ها احتمالا به الکترولیت‌های جدید حالت جامد متکی خواهند بود. پژوهش‌های انجام‌شده در این زمینه به دلیل تعداد زیاد گزینه‌ها و پارامترهای مربوط به مواد، چالش‌برانگیز بوده‌اند، اما پیشرفت‌های صورت‌گرفته در یادگیری ماشینی می‌توانند راهبردهای مورد نیاز را ارائه کنند.

گروهی از دانشمندان علوم مواد، یک پایگاه داده پویا را شامل صدها الکترولیت حالت جامد ایجاد کرده‌اند که از روش‌های مبتنی بر هوش مصنوعی برای هدایت مؤثرتر تحقیقات استفاده می‌کند.

حلال‌های آلی معمولا به عنوان الکترولیت در بسیاری از باتری‌های قابل شارژ استفاده می‌شوند. این مواد که معمولا به صورت مایع یا ژل هستند، حرکت یون‌ها را بین الکترودهای مثبت و منفی تسهیل می‌کنند. اگرچه حلال‌های آلی، رسانایی خوب و انتقال کارآمد یون را ارائه می‌دهند، اما خطرات قابل توجهی را در ایمنی و عملکرد به همراه دارند. به همین دلیل، مدتی است که پژوهشگران به دنبال مواد جایگزین الکترولیت هستند.

حلال‌های آلی می‌توانند قابل اشتعال باشند و به بروز واکنش‌های گرمایی منجر شوند که آتش‌سوزی یا انفجار را به همراه دارند. علاوه بر این، آنها مستعد تجزیه شیمیایی هستند که می‌تواند به تشکیل گاز و تجزیه الکترولیت به مرور زمان منجر شود و عملکرد و طول عمر باتری را کاهش دهد. همچنین، طیف ولتاژی که باتری می‌تواند در آن کار کند، در حلال‌های آلی محدود است.

یکی از جایگزین‌های امیدوارکننده، «باتری‌های حالت تمام‌جامد»(ASSBs) هستند که حلال‌های آلی مایع یا ژل سنتی را با یک الکترولیت جامد جایگزین می‌کنند. این کار نه تنها خطر نشت و انفجار را از بین می‌برد، بلکه چگالی انرژی بالاتر و زمان شارژ سریع‌تری را ارائه می‌دهد. با وجود این، کشف «الکترولیت‌های حالت جامد»(SSEs) با رسانایی یونی بالا به دلیل ساختار پیچیده آنها و رابطه بین ساختار و عملکرد، با چالش‌هایی همراه بوده است. تا به حال، تنها الکترولیت‌های حالت جامد با انتقال کند یون‌ها شناسایی شده‌اند که مانع توسعه باتری‌های حالت تمام‌جامد می‌شود.

«هائو لی»(Hao Li)، دانشمند علوم مواد «مؤسسه پیشرفته پژوهش مواد»(AIMR) در «دانشگاه توهوکو»(Tohoku University) و از پژوهشگران این پروژه گفت: آنچه اوضاع را بدتر می‌کند، تعداد بسیار زیاد الکترولیت‌های حالت جامد است که می‌توان از بین آنها انتخاب کرد. صدها گزینه انتخابی وجود دارد و مقابله با این حجم از گزینه‌ها و پیگیری بسیاری از پارامترهای بهینه‌سازی عملکرد، یک چالش واقعی برای پژوهشگران است.

پژوهشگران برای رفع این مشکل، یک پایگاه داده پویا را به نام «پایگاه داده پویای الکترولیت‌های حالت جامد»(DDSE) ایجاد کردند. این پایگاه داده در ابتدا حاوی بیش از ۶۰۰ الکترولیت‌ حالت جامد بود که طیف گسترده‌ای را از دماهای عملیاتی پوشش می‌داد و کاتیون‌ها و آنیون‌های گوناگون را در بر می‌گرفت. این پایگاه داده برای بررسی روابط بین متغیرهای متفاوت طراحی شده است.

یک پایگاه داده پویا به راحتی می‌تواند به طور مکرر به‌روزرسانی و اصلاح شود و امکان اعمال تغییر و افزودن در لحظه داده را به داده‌های موجود فراهم کند. در این مورد، DDSE به طور مداوم با داده‌های آزمایشی جدید به‌روزرسانی می‌شود و به‌روزرسانی‌های هفتگی را دریافت می‌کند.

پژوهشگران برای غلبه بر محدودیت‌های تحلیل انسانی و هزینه‌های بالای محاسبات نظری، یادگیری ماشینی را در DDSE اعمال کردند. بدون یادگیری ماشینی، پژوهشگران برای مدیریت سیستم‌های اتمی بزرگ و پیچیدگی واکنش‌های شیمیایی مشکلاتی داشتند.

پژوهشگران با استفاده از یادگیری ماشینی می‌توانند پیش‌بینی‌های بهتری را درباره مواد جدید الکترولیت حالت جامد با هزینه‌های محاسباتی و مالی بسیار کمتر داشته باشند و در زمان مورد نیاز برای طراحی مواد صرفه‌جویی کنند. این روش به آنها امکان داده است تا روابط پیچیده‌ای را بین متغیرهای گوناگون از جمله انتقال یون، ترکیب، انرژی فعال‌سازی و رسانایی کشف کنند. این اطلاعات، امکان توسعه دستورالعمل‌های جدید را برای طراحی الکترولیت‌های حالت جامد فراهم می‌آورند.

انتهای پیام