5 פריצות דרך בתחום הבינה המלאכותית שישנו את גילוי החומרים כיום

בינה מלאכותית (AI) ממשיכה לשנות את העולם ולעצב מחדש את עתיד האנושות.

הטכנולוגיה מניעה שינויים כמעט בכל מגזר על ידי ביצוע משימות שבדרך כלל דורשות בינה אנושית. מערכות בינה מלאכותית משתמשות בכמויות עצומות של נתונים כדי לזהות דפוסים ולקבל החלטות. 

בדרך זו, בינה מלאכותית מסוגלת לדמות רמות מסוימות של חשיבה ותהליכים קוגניטיביים אנושיים.

על פי דו"ח הסחר העולמישיפורי הפריון והיתרונות העלותיים של בינה מלאכותית יכולים להגדיל את התמ"ג העולמי ב-12-13% עד 2040.

על ידי צמצום פער התשתיות הדיגיטליות שלהן מול כלכלות בעלות הכנסה גבוהה ב-50% ואימוץ נרחב יותר של בינה מלאכותית, כלכלות בעלות הכנסה נמוכה ובינונית יכולות לראות עד 15%. להגביר בהכנסות שלהם.

מלבד סיוע למדינות לחזק את הפריון, הסחר והמעמד הכלכלי שלהן, בינה מלאכותית יכולה לסייע לחברה על ידי הנעת חדשנות בתעשיות שונות. אחת הדרכים שבהן הטכנולוגיה עושה זאת כיום היא באמצעות גילוי חומרים. 

ההבטחה של בינה מלאכותית בגילוי חומרים

גילוי חומרים תמיד היה המפתח לחדשנות. לפני מאות שנים רבות, ה- לערבב של נחושת ובדיל הובילו לתקופת הברונזה, כאשר כלים וכלי נשק חזקים יותר טרנספורמציה סחר ו חברות.

אז הגיעה תקופת הברזל, כאשר השליטה בברזל עיצבה מחדש את הכלכלות. במאה ה-19, פלדה זכתה לאימוץ נרחב. סגסוגת של ברזל ופחמן, פלדה הייתה עמוד השדרה של מסילות ברזל, גורדי שחקים, ספינות ומכונות, והזינה את המהפכה התעשייתית ואת ההתרחבות הגלובלית.

בסוף המאה ה-20, ה- עידן הסיליקון שינו את העולם עם גילוי ועידון מוליכים למחצה שהם הבסיס לאלקטרוניקה המודרנית. אנו נמצאים כעת בעידן החומרים המתקדמים, שבו גרפן, ננו-צינוריות פחמן וחומרים קוונטיים פותחים דלתות לאנרגיה נקייה יותר, מטוסים קלים יותר ומחשוב מהיר יותר.

הופעתן של בינה מלאכותית ולמידת מכונה (ML) תורמת לחדשנות בחומרים, ובהרחבה, בתעשיות שונות, על ידי האצה משמעותית של תהליך גילוי, תכנון ותפעול חומרים.תזמון.

לשם כך, בינה מלאכותית משתמשת באלגוריתמים ובמודלים כדי לסנן מאגרי מידע עצומים של מועמדים לצרכים ספציפיים של יישומים. כאן, מודלים של למידה עמוקה כמו רשתות נוירונים גרפיות (GNN) ורשתות נוירונים חוזרות (RNN) הן קריטיות לניתוח מערכי נתונים מורכבים. זֶה יש לו מצא במטריכמו מדע.

הם יכולים גם לזהות חומרים קיימים בעלי תכונות רצויות ממאגרי מידע אלה ואף לחזות את תכונות החומרים על סמך הרכבם ומבנם. 

בעזרת הבינה המלאכותית, תחום מדעי החומרים יכול להתקדם מעבר לשיטות המסורתיות של ניסוי וטעייה, אשר גוזלים זמן ויקרים.

יתר על כן, מודלים של בינה מלאכותית יכולים לייצר מבני חומרים חדשים המותאמים ל דרישות ספציפיות. כאשר משולבת בינה מלאכותית עם פלטפורמות ניסוי אוטומטיות, היא יכולה להאיץ את התהליך הארוך, החל מגילוי חומרים ועד לייצור.

למרות יתרונות אלה, אתגרים להשאר בתנאי ה חוסר איכות ו נרחב נתונים עבור חומרים מסוימים. מוצלח סינתזה של חדש מצא וחומרים מעוצבים במעבדה זה עוד אחד גדול אתגר.

כמדען החומרים אנתוני צ'יטהאם מאוניברסיטת קליפורניה בסן פרנסיסקו העיר¹ בטבע אחרי בחינה רשימת 2.2 מיליון גבישים היפותטיים שנמצאו על ידי GNoME, כלי בינה מלאכותית של DeepMind, חברת בת של אלפבית (גוגל), "זה דבר אחד לגלות תרכובת, ודבר אחר לגמרי לגלות חומר פונקציונלי חדש".

צ'יטהאם ציין עוד את חוסר המעשיות של תרכובות רבות הנחזות על ידי בינה מלאכותית, ואמר:

"מצאנו לא מעט דברים מגוחכים."

זֶה מראה את הפער בין ניבוי למימוש מעשי. מה שדורש הפער הזה הוא שילוב של בינה מלאכותית עם מומחיות אנושית ומדע ניסיוני.

ועדיין, אי אפשר להתעלם מההבטחה של הבינה המלאכותית לחולל מהפכה במדע החומרים. בהינתן יכולתה להוביל לפיתוח מהיר יותר של חומרים לתחומי האנרגיה, הבריאות, הרכב, התעופה ויישומים חיוניים אחרים, השפעה זו גדולה מכדי להתעלם ממנה.

אז בואו התבוננו בכמה מהדוגמאות הבולטות ביותר ליישום בינה מלאכותית ב חוֹמֶר מדע המציג את הפוטנציאל שלו לדחוף את גבולות הגילוי והחדשנות החומריים. 

החלק כדי לגלול →

1. תאי שמש פרובסקיט: חומרים ועיבוד מותאמים לבינה מלאכותית

אחד הפתרונות המבטיחים ביותר כדי להשיג אנרגיה בת קיימא היא אנרגיה סולארית, והאימוץ שלה הוא מהר גָדֵל. בשנת 2024, העולם התקין שיא של כ-600 ג'יגה-וואט של אנרגיה סולארית, עולה 33% משנת 2023. עד סוף העשור, זה צפוי ל להגיע ל-~1 TW בשנה.

הביקוש הגובר לאנרגיה סולארית יוצר את הצורך בחומרים יעילים, רב-תכליתיים וחסכוניים יותר עבור תאים סולאריים.

פרובסקיט הוא חומר כזה המציע מבנה גבישי ייחודי. כעת ניתן לשחזר את המינרל הטבעי באופן סינתטי. על ידי ערבוב של יסודות אורגניים ואנאורגניים, מדענים יוצרים פרובסקיטים סינתטיים בעלי תכונות ספיגת אור יוצאות דופן, מה שהופך אותם למתאימים מאוד ליישומים סולאריים.

מלבד יעילות גבוהה, חומרים אלה מציעים יתרונות של גמישות ו מכוון פער אנרגיה, אך בעיות מדרגיות ויציבות נמשכות; ומכאן, החיפוש אחר קומפוזיציה חדשהs.

אז, פנו החוקרים אל AI לצורך קורלציה ביצועי תאי שמש פרובסקיט (PSC) עם תכונות חומר ותהליכי המרת אנרגיה של יותר מעשור לִפנֵי. לאחר מכן הם ניצלו את הטכנולוגיה כדי לייעל את הרכב החומרים, לפתח אסטרטגיות עיצוב ולחזות ביצועים.

בשנת 2019, חוקרים מאוניברסיטת מרכז פלורידה סקר² מעל 2,000 פרסומים שעברו ביקורת עמיתים על פרובסקיט לאיסוף יותר 200 נקודות נתונים, אשר ניזונו ל מערכת הבינה המלאכותית שהם יצרו כדי לקבל מה היא הטוב ביותר מתכון לתאי שמש פרובסקיט (PSC). באותה שנה, מדענים ב-MIT מפותח³ מודל ל להאיץ הסינתזה והניתוח של תרכובות חדשות פי עשרה ו מצא שני פרובסקיטים חדשים ללא עופרת הראויים לחקירה נוספת.

בשנת 2022, חוקרים מ-MIT ומאוניברסיטת סטנפורד דיווח⁴ לוקח את עזרתו של בינה מלאכותית להגדלת ייצור תאים סולאריים מתקדמים.

לשם כך, נוצרה מערכת, הנמצאת בפיתוח מזה מספר שנים, לשילוב נתונים מניסויים קודמים וכן מידע המבוסס על תצפיות אישיות של עובדים מנוסים. שילוב זה הפך את התוצאות למדויקות יותר והוביל לייצור תאי פרובסקיט עם יעילות המרת אנרגיה של 18.5%.

זֶה שונה מרוב מערכות למידת מכונה, אשר משתמשות בעיקר בנתונים גולמיים ובדרך כלל לא משלבים ניסיון אנושי. כדי לכלול מידע חיצוני במודל שלהם, הם השתמשו בגורם הסתברות המבוסס על אופטימיזציה בייסיאנית, שאפשר להם "לגלות מגמות שלא הצלחנו לראות קודם לכן".

גילוי טכנולוגיית סולארית פרובסקיט מתקדמת בעזרת AI הוא ממשיך ומרוויח מְהִירוּת ל להגביר יעילות PSC. באחד כזה ללמוד⁵, היעילות הוגדלה ל-26.2% תוך חיסכון של "כמויות עצומות של זמן ומשאבים".

⬆ חזרה לשולחן

2. אלקטרו-זרזים לייצור מימן שהתגלו על ידי בינה מלאכותית

תחליף מבטיח לדלקים מאובנים שאינם מתחדשים זֶה יש לו אחראי ל עָצוּם כמות פליטות גזי החממה (GHG) היא מימן. היסוד הנפוץ ביותר ביקום, מימן, התגלה כמקור אנרגיה נקי ומתחדש.

עם זאת, ייצור יעיל של מימן לעמוד בביקוש בקנה מידה מסחרי זה אתגר רציני. כאן, אלקטרוליזה של פירוק מים מציעה מסלול מבטיח, שבו אלקטרוקטליזה ממלאת תפקיד קריטי. זֶה הופך את פיתוחם של אלקטרו-קטליזטורים פעילים ויציבים בעלות נמוכה לתנאי הכרחי להשגת ייצור מימן אלקטרוקטליטי רצוי מפיצול מים.

אלקטרו-קטליסטים מאיצים את ייצור המימן על ידי הורדה האנרגיה נחוץ לפירוק מים by שימוש במתכות יקרות יקרות כמו פלטינה או חלופות משתלמות יותר כמו ניקל, קובלט, גרפן, MXenes ואחרים.

מלבד תכונות החומר ועלותו, נבחר זרז ספציפי בהתבסס על האם התגובה חומצית, בסיסית או פועלת בטמפרטורות גבוהות. 

עם זאת, זה גוזל זמן רב ויקר מאוד לשימוש המסורתי ניסוי וטעייה שיטה לחיפוש חומרים קיימים וחדשים מתאימים לשיפור התגובות, so AI הוא בשימוש⁶ להתגבר על המגבלות של גישות מסורתיות, לגלות מועמדים חדשים, ו לשפר מוצרים ידועים.

מחקר שנערך לאחרונה דיווח⁷ שהבינה המלאכותית שלה, המסוננת לאנטרופיה, אומנה על מערך נתונים של DoE הסתכל דרכו 16.2 מיליון הרכבים כימיים כדי לזהות Fe12Co28Ni33Mo17Pd5Pt5 כ- הטוב ביותר הרכב לפירוק מים. הסגסוגת מציגה פוטנציאלי-יתר נמוכים במיוחד עבור שתי תגובות אלקטרו-קטליטיות בסיסיות, HER ו-OER, תוך יציבות חזקה.

בינתיים, לפני כמה שנים, מעבדת הבינה המלאכותית של גוגל, DeepMind תרם 380,000 תרכובות חדשות לפרויקט החומרים, פלטפורמה התומכת בחיפושים רבים אחר זרזים וניסויים אוטונומיים. 

מסד הנתונים הפתוח שהוקם במעבדת ברקלי של משרד האנרגיה שימש חוקרים כדי לאשר באופן ניסיוני תכונות שימושיות בחומרים חדשים המראים פוטנציאל לשימוש בלכידת פחמן. ו כפוטו-קטליסטים, חומרים תרמואלקטריים ומוליכים שקופים.

מסד הנתונים כולל כיצד אטומים של חומר מסודרים ו כמה זה יציב. גַמָד הוכשר שימוש בנתונים ובזרימות עבודה שהיו פותח על ידי הפרויקט ולאחר מכן שופר באמצעות למידה פעילה.

באמצעות חישובים מ-GNoME של גוגל DeepMind יחד עם נתונים מפרויקט החומרים, החוקרים בדקו את A-Lab, מתקן במעבדת ברקלי שבו בינה מלאכותית מנחה רובוטים בייצור חומרים חדשים. מעבדת A הצליחה... מיוצר⁸ 41 תרכובות חדשות.

⬆ חזרה לשולחן

3. חומרים קשים במיוחד: גילוי מוכוון ML מעבר ליהלום

תעשיות כמו צבא, תעופה וחלל וייצור אנרגיה דורשות חומרים קשים במיוחד, שהם מוצקים כמעט בלתי דחיזים. ערך הקשיות של חומרים אלה עולה על 40 ג'יגה-פסקל (GPa) בסולם ויקרס, ויש להם קוולנטיות גבוהה של קשרים וצפיפות אלקטרונים גבוהה.

יהלום הוא החומר הקשה ביותר הידוע עד כה, ומתגאה בערך קשיות בטווח של 70-150 GPa. משמעות הדבר היא שיידרש לחץ גדול יותר (70-150 GPa) כדי להשאיר שקע על פני היהלום. כתוצאה מכך, הוא משמש בכלי חיתוך, חומרי שוחקים, ציפויים עמידים בפני שחיקה, וליצירת ניסויים בלחץ גבוה.

אבנים יקרות אלו, שהן צורה מוצקה של היסוד פחמן כאשר האטומים שלו מסודרים במבנה גבישי קובי של יהלום, משמשות גם מדענים למציאת חומרים מתאימים חדשים. אבל בינה מלאכותית שינתה זאת.

במהלך השנים, מספר חוקרים מצא⁹ שלבים חדשים בעלי קשיחות גבוהה, עם אחד דיווח¹⁰ BC10N, B4C5N3 ו-B2C3N ל להציג פאזות יציבות דינמיות עם ערכי קשיות >40 ממוצע ציונים.

בשנת 2020, חוקרים מאוניברסיטת יוסטון ומכללת מנהטן מנוצל¹¹ מודל ML לחזות במדויק את קשיותם של חומרים חדשים, כך המאפשר להם למצוא מתאים תרכובות בקלות רבה יותר.

כמות הלחץ הגבוה הנדרשת כדי ליצור סימן כלשהו על פני השטח של חומר הופכת אותם לנדירים, ו"זיהוי חומרים חדשים מאתגר". וזו בדיוק הסיבה, "חומרים כמו יהלום סינתטי עדיין בשימוש "למרות שהייצור שלהם מאתגר ויקר", אמר שותף לכתיבת המאמר, יקוה ברגוך, שהוא פרופסור חבר לכימיה באוניברסיטת יוסטון.

גורם מסבך כאן הוא תלות בעומס, כלומר קשיות החומר עשויה להשתנות בהתאם לכמות הלחץ המופעלת. זֶה הופך את בדיקת החומר למורכבת מבחינה ניסיונית. אפילו שימוש במודלים חישוביים כמעט בלתי אפשרי, ולכן החוקרים יצרו מודל שמתגבר על האתגר על ידי ניבוי קשיות ויקרס תלוית עומס המבוססת אך ורק על ההרכב הכימי של החומר.

האלגוריתם היה מסחר על מסד נתונים זה שכרוך 560 תרכובות שונות זֶה נדרש עובר דרך מאות מאמרים אקדמיים. "כל פרויקטים טובים של למידת מכונה מתחילים במערך נתונים טוב", אמר ברגוך. "ההצלחה האמיתית היא במידה רבה פיתוח מערך הנתונים הזה."

כתוצאה מכך, הם מצאו מעל 10 פאזות בורוקרביד יציבות חדשות, ועם דיוק המודל של 97%, הם חשים תקווה לגבי השגת הצלחה במעבדה.

בינה מלאכותית אינה חפה ממגבלות, כפי שציין ברגוך, "הרעיון של שימוש בלמידת מכונה אינו לומר 'הנה החומר הטוב הבא', אלא לעזור להנחות את החיפוש הניסיוני שלנו." מה שהטכנולוגיה עושה זה "להגיד לך איפה אתה צריך לחפש."

⬆ חזרה לשולחן

4. חומרים דיאלקטריים פולימריים: חומרי אחסון אנרגיה המואצים על ידי בינה מלאכותית

מרכיב חיוני באגירת אנרגיה מודרנית הוא דיאלקטרי, שהם חומרים לא מוליכים כמו אוויר, זכוכית ופלסטיק. 

בחירת חומר דיאלקטרי זה מה ש קובע את צפיפות האנרגיה של קבלים וחומרים דיאלקטריים פולימריים נמצאים בשימוש נרחב לאגירת אנרגיה בגלל העלות הנמוכה שלהם, הגמישות המכנית, האמינות, מהירות הפריקה המהירה וקלות העיבוד שלהם. אבל שוב, צפיפות האנרגיה הנמוכה שלהם היא בְּעָיָה. 

כתוצאה מכך, חוקרים ללא הרף להסתכל לשיפור הביצועים על ידי פיתוח חומרים דיאלקטריים פולימריים חדשים להגדיל קיבולת אחסון האנרגיה שלהם עבור יישומים במערכות חשמל, אלקטרוניקה וכלי רכב חשמליים (EV). 

בינה מלאכותית עשתה התקדמות מדהימה בחומרים פולימריים. לדוגמה, רק לפני חודשיים, חוקרים ב-MIT ובאוניברסיטת דיוק שיתפו פעולה כדי... לִיצוֹר¹² פולימרים עמידים יותר על ידי שילוב מולקולות מקשר צולב המגיבות ללחץ, אשר זוהו על ידי בינה מלאכותית. חוקרים מ-MIT גם נבנה¹³ מערכת אשר ממצאים, מערבב ובודק עד 700 תערובות פולימרים חדשות יום עבור יישומים כמו אלקטרוליטים של סוללות, ייצוב חלבונים או חומרים להעברת תרופות.

תכנון תערובות פולימרים חדשות מציג את הבעיה של מספר כמעט אינסופי של פולימרים אפשריים מלכתחילה., ופעם אחת לכמה יש נבחר לערבב, אז יש לבחור את הרכב כל פולימר, כמו גם את ריכוז הפולימרים בתערובת.

"מרחב עיצוב כה גדול מחייב פתרונות אלגוריתמיים ותהליכי עבודה בעלי תפוקה גבוהה יותר, משום שפשוט לא ניתן היה לבדוק את כל השילובים באמצעות כוח ברוטלי."

– קונור קולי, המחבר הבכיר של Paper

מערכת הבינה המלאכותית שלהם סיפקה להם תערובות אופטימליות, כאשר הטובה ביותר מציגה ביצועים טובים ב-18% מהמרכיבים הבודדים שלה.

בהתחשב ביעילות שבה בינה מלאכותית מספקת אפשרויות ותערובות חדשות של פולימרים, הגיוני... ליישם את הטכנולוגיה¹⁴ לזהות דיאלקטרי פולימרי טוב יותר¹⁵.

צוות חוקרים עשה בדיוק את זה ו גילה¹⁶ דיאלקטריים עם צפיפות אנרגיה גדולה פי 11 מחלופות מסחריות בטמפרטורות גבוהות.

האלגוריתם החדשני מפותח לחזות את התכונות והניסוחים של פולימרים לפני למעשה יוצרים אותם. לשם כך, הם הגדירו תחילה דרישות ספציפיות ולאחר מכן אימנו את מודלי הלמידה על גבי מערכות קיימות. רכוש חומרי נתונים כדי לחזות את התוצאות הרצויות.

מלבד בינה מלאכותית, החוקרים השתמשו בכימיה פולימרית מבוססת ובהנדסה מולקולרית כדי לגלות מגוון של חומרים דיאלקטריים במשפחות הפולינורבורנן והפוליאימיד, כאשר רבים מהחומרים הדיאלקטריים שהתגלו הציגו צפיפות אנרגיה גבוהה ויציבות תרמית גבוהה על פני טווח טמפרטורות רחב. 

אבל אחד בפרט הציג צפיפות אנרגיה של 8.3 J cc−1 ב-200 מעלות צלזיוס, כלומר הרבה גבוה יותר מהדיאלקטרי הפולימרי הזמין מסחרית.

"בימיה הראשונים של הבינה המלאכותית במדעי החומרים, שהונעו על ידי יוזמת גנום החומרים של הבית הלבן לפני למעלה מעשור, המחקר בתחום זה הונע במידה רבה על ידי סקרנות. רק בשנים האחרונות התחלנו לראות סיפורי הצלחה מוחשיים בעולם האמיתי בגילוי פולימרים מואץ המונע על ידי בינה מלאכותית", אמר רמפי רמפרסד, פרופסור במכון הטכנולוגי של ג'ורג'יה, מחבר המחקר. "הצלחות אלו מעוררות כעת טרנספורמציות משמעותיות בנוף המחקר והפיתוח של חומרים תעשייתיים."

⬆ חזרה לשולחן

5. אלקטרוליטים מוצקים: בינה מלאכותית לסוללות בטוחות יותר ובעלות צפיפות גבוהה יותר

מונע על ידי אימוץ נרחב של מכשירים ניידים ורכבים חשמליים והביקוש הגובר לפתרונות אחסון אנרגיה מתחדשת, שוק הסוללות העולמי מתקדם במהירות¹⁷. בהינתן חשוב תפקיד שממלאות סוללות בעולם המודרני, מדענים כל הזמן מנסה לפתח סוללות חסכוניות יותר באנרגיה ובטוחות יותר טֶכנוֹלוֹגִיָה.

בעוד שסוללות ליתיום-יון נמצאים בשימוש נרחב ביותר כיום, יש להם אורך חיים מוגבל וסיכוני בטיחות מוגבלים, אשר יש לו ממוען באמצעות סוללות מצב מוצק (SSB). 

סוללות אלו מחליפות אלקטרוליטים נוזליים באלקטרוליטים במצב מוצק לחסל הסיכון לדלקת בטמפרטורות גבוהות תוך מתן אפשרות לצפיפות אנרגיה גבוהה יותר ושיפור העמידות, ויצירת סוללות בטוחות וחזקות יותר. 

אבל סוללות אלו עם אלקטרוליטים מוצקים מתמודדות עם אתגרים משלהן, כמו מוליכות יונית נמוכה, תאימות ממשק אלקטרודה, יציבות מכנית וכימית וייצור חסכוני. אז, חוקרים חוקרים חומרים שיכולים להתגבר על בעיות אלו באמצעות בינה מלאכותית.

בניגוד לתחומים אחרים שדנו בהם היום, סוללות הן אחד התחומים החמים ביותר שבהם יישום של AI¹⁸ התפוצץ עקב מעורבותן של יצרניות רכב מובילות וסטארט-אפים שמשקיעים כסף במחקר ופיתוח של סוללות מצב מוצק. מלבד הסיכון הבטיחותי, המגזר צבר גם מאגרי מידע גדולים, עשירים מספיק כדי לאמן מודלים של למידה חשמלית.

אפילו ממשלות ציינו כי מערכות SSB (מלחמת גז וחשמל) הן עדיפות אסטרטגית לאבטחת שרשראות אספקה ​​מקומיות ולהשגת יעדי אנרגיה ואקלים לאומיים.

אז, ישנם מקרים שונים שבהם בינה מלאכותית עזר¹⁹ חוקרים וחברות מגלים אלקטרוליטים מוצקים חדשים.

בשנה שעברה, חוקרי מיקרוסופט מְשׁוּמָשׁ בינה מלאכותית יחד עם מחשבי-על כדי לסנן 32 מיליון חומרים אנאורגניים פוטנציאליים ל למצוא 18 מועמדים מבטיחים²⁰ in עניין של כמה ימים. החומר החדש, N2116, הוא אלקטרוליט במצב מוצק שיכול להפחית את השימוש בליתיום בסוללות ב-70% ונבדק כהפעלת נורה.

בינתיים, כלי הבינה המלאכותית GNoME של DeepMind מזוהה²¹ 528 מוליכי ליתיום-יון מבטיחים, שחלקם עשויים לסייע בהפיכת סוללות ליעילות יותר. 

ואז יש LBS²² (Li8B10S19) מחוקרי סטנפורד, שקראו לו "אלקטרוליט יון הליתיום היציב ביותר, מבוסס גופרית, שראינו אי פעם בניסוי". החוקרים ראשונים מזוהה²³ אלקטרוליטים מוצקים ל להחליף יום אחד אלקטרוליטים נוזליים דליקים בסוללות ליתיום-יון באמצעות בינה מלאכותית לפני כעשור.

⬆ חזרה לשולחן

סיכום