Artificial Intelligence
Sztuczna inteligencja odkrywa nowe materiały do baterii nowej generacji
Securities.io utrzymuje rygorystyczne standardy redakcyjne i może otrzymywać wynagrodzenie z przeglądanych linków. Nie jesteśmy zarejestrowanym doradcą inwestycyjnym i nie jest to porada inwestycyjna. Zapoznaj się z naszymi ujawnienie informacji o stowarzyszeniu.
Lit kontra reszta
Baterie litowo-jonowe do tej pory zdominowały rynek elektryfikacji, w dużej mierze dzięki unikalnym właściwościom elektrycznym atomów litu. Mówiąc prościej, lit, jako trzecird najlżejszy pierwiastek układu okresowego, jest najsilniejszym pierwiastkiem, jeśli chodzi o przenoszenie ładunków przy pomocy pojedynczego elektronu.
Źródło: Średni
Jednak lit jest drogi, co sprawia, że alternatywne chemikalia akumulatorowe mogą być potencjalnie atrakcyjne ekonomicznie. Co ciekawe, baterie sodowo-jonowe zyskują na popularności właśnie z tego powodu.
Wygląda na to, że inny projekt może mieć większy potencjał niż wcześniej sądzono: baterie wielowartościowojonowe. Wykorzystano w nich jony metali, które mogą przenosić więcej niż jeden elektron jednocześnie i mogą być bardziej opłacalne niż baterie litowo-jonowe.
Niedawny przełom został osiągnięty dzięki wykorzystaniu sztucznej inteligencji do przetestowania milionów kombinacji materiałów baterii. Odkrycia tego dokonali naukowcy z New Jersey Institute of Technology (NJIT) i Rensselaer Polytechnic Institute (RPI) (USA). Wyniki swoich badań opublikowali w czasopiśmie Cell Reports Physical Science.1, pod tytułem „Generatywna sztuczna inteligencja do odkrywania porowatych materiałów tlenkowych do magazynowania energii nowej generacji".
Wiele rodzajów baterii jonowych
Jeśli dzięki swojej gęstości energii baterie litowo-jonowe zdominowały rynek małych urządzeń elektronicznych i wczesnych projektów pojazdów elektrycznych, wiele innych jonów metali może być wykorzystywanych na tej samej zasadzie.
Jak już wspomniano, baterie sodowo-jonowe stanowią obecnie popularną alternatywę, coraz częściej produkowaną masowo do tanich modeli samochodów elektrycznych.
Inną opcją jest użycie magnezu, wapnia, glinu lub cynku, które są jonami wielowartościowymi. Oznacza to, że niosą dwa, a nawet trzy ładunki dodatnie.
Jednak większy ładunek wiąże się również z większymi rozmiarami. Większe parametry atomowe sprawiają, że jony wielowartościowe są trudne do efektywnego wykorzystania w materiałach akumulatorowych, co zmniejsza gęstość baterii w stopniu uniemożliwiającym ich komercyjną opłacalność.
Przynajmniej tak było w przypadku konwencjonalnych materiałów akumulatorowych opracowanych dla jonów litu lub sodu. Jednak nie są one jedynymi możliwymi materiałami akumulatorowymi, które można wykorzystać. Można by zbudować wiele innych struktur krystalicznych, które mogłyby pomieścić jony, których ruch przenosi ładunki elektryczne.
„Jedną z największych przeszkód nie był brak obiecujących substancji chemicznych do produkcji baterii, ale całkowita niemożność przetestowania milionów kombinacji materiałów”
Profesor Dibakar Datta - Instytut Technologii New Jersey (NJIT)
Sztuczna inteligencja wspomagająca badania
Potężny asystent
Ludzki umysł nie radzi sobie najlepiej z danymi, których liczba zbliża się do milionów. Ale sztuczna inteligencja radzi sobie z tym znakomicie.
Coraz popularniejsze staje się wśród badaczy, zwłaszcza zajmujących się materiałoznawstwem i biotechnologią, wykorzystywanie technologii sztucznej inteligencji do identyfikowania najbardziej obiecujących pomysłów, a następnie ich dokładniejszej analizy i testowania.
„Zwróciliśmy się ku generatywnej sztucznej inteligencji jako szybkiemu i systematycznemu sposobowi na przeszukanie tego rozległego obszaru i wykrycie kilku struktur, które mogłyby rzeczywiście uczynić baterie wielowartościowe praktycznymi.
Profesor Dibakar Datta - Instytut Technologii New Jersey (NJIT)
Wcześniej model obliczeniowy opierający się wyłącznie na fizyce nie byłby w stanie poradzić sobie z niezwykle złożonymi obliczeniami niezbędnymi do modelowania nowego typu struktury krystalicznej.
Jednak nowe rodzaje sztucznej inteligencji, bazujące na uczeniu maszynowym i sieciach neuronowych, są w stanie lepiej „odgadnąć” ogólne właściwości materiału bez formalnych obliczeń matematycznych dotyczących fizyki stojącej za tymi właściwościami.
Źródło: Komórka
Naukowcy opracowali system bazujący jednocześnie na dwóch różnych typach sztucznej inteligencji: jednym specjalizującym się w kryształach i drugim LLM (Large Language Model), tej samej bazie technologicznej, na której opiera się ChatGPT.
Źródło: Komórka
Krystaliczny autokoder dyfuzyjny wariacyjny (CDVAE)
Model CDVAE wygenerował 10,000 XNUMX struktur, które poddano serii precyzyjnych procedur kontroli i walidacji w celu sprawdzenia, czy spełniają niezbędne standardy.
Sprawdzano na przykład, czy odległość między parami atomów jest wystarczająco duża, a także czy układ ma neutralny ładunek.
Metoda ta pozwoliła na wytworzenie 42 struktur potencjalnie nadających się do wykorzystania w materiałach akumulatorowych.
Spośród nich 21 struktur pasowało do istniejących wpisów w bazie danych, ale oferowało nowe konfiguracje z różnicami w stechiometrii, parametrach sieci lub grupach przestrzennych. Pozostałe 21 struktur było całkowicie nowatorskie.
Źródło: Komórka
Stworzono więc zarówno nowe wersje istniejącego materiału, który był wcześniej nieznany, jak i zupełnie nowy potencjalny materiał akumulatorowy.
LLM
Następnie naukowcy wykorzystali Meta (FB ) Llama-3.1-8B, specjalnie skalibrowana i dostosowana do generowania struktur krystalicznych.
Źródło: Komórka
W ten sposób wygenerowano ponad 10,000 1,087 struktur krystalicznych, z których 13 pozostało po sprawdzeniu integralności strukturalnej. Użycie tych samych filtrów co w przypadku CDVAE pozwoliło na wyłonienie 5 potencjalnych kandydatów, spośród których wybrano XNUMX najbardziej stabilnych struktur.
Źródło: Komórka
Przesuń, aby przewijać →
| Model | Struktury początkowe | Kandydaci po filtrze | Ostateczne stabilne materiały |
|---|---|---|---|
| CDVAE | 10,000 | 42 | 21 wariantów + 21 powieści |
| Magister prawa (Llama-3.1-8B) | 10,000 + | 13 | 5 najbardziej stabilnych wybranych |
Kwestionowanie ustaleń sztucznej inteligencji
Naukowcy zastosowali matematyczną metodę testowania zwaną „relaksacją DFT”, obliczającą swobodną energię materiału (powiązaną ze stabilnością), aby sprawdzić jakość znalezionego materiału.
Szybko okazało się, że materiały krystaliczne wygenerowane metodą LLM były ogólnie rzecz biorąc znacznie lepsze i bardziej stabilne niż te wygenerowane metodą CDVAE.
Źródło: Komórka
„Nasze narzędzia oparte na sztucznej inteligencji znacząco przyspieszyły proces odkryć, dzięki czemu udało się odkryć pięć zupełnie nowych porowatych struktur tlenków metali przejściowych, które rokują ogromne nadzieje”
Profesor Dibakar Datta - Instytut Technologii New Jersey (NJIT)
Czy to możliwe?
Zespół zweryfikował wygenerowane przez sztuczną inteligencję struktury, wykorzystując symulacje mechaniki kwantowej i testy stabilności. Potwierdziło to, że materiały rzeczywiście można syntetyzować eksperymentalnie i że mają one duży potencjał do zastosowań w świecie rzeczywistym.
„Materiały te mają duże, otwarte kanały, idealne do szybkiego i bezpiecznego transportu tych dużych wielowartościowych jonów, co stanowi przełomowy moment dla akumulatorów nowej generacji”.
Profesor Dibakar Datta - Instytut Technologii New Jersey (NJIT)
Kolejnym krokiem będzie współpraca z laboratoriami eksperymentalnymi w celu syntezy i przetestowania nowych materiałów zaprojektowanych przy pomocy sztucznej inteligencji.
Mogłoby to uczynić baterie wielowartościowe kolejnym krokiem w technologii baterii. Jak dotąd brak dobrego materiału, który mógłby pomieścić większe atomy, blokował rozwój tej opcji. Dzięki zastosowaniu lepszych materiałów do magazynowania magnezu, aluminium i innych dużych jonów, zdolność tych atomów do transportu wielu elektronów mogłaby kiedyś przewyższyć nawet potężną, ale jednoelektronową zdolność przenoszenia energii litu.
Inwestowanie w innowacje w dziedzinie nauki o materiałach i sztucznej inteligencji
Meta: Materiałoznawstwo oparte na sztucznej inteligencji
Dziś Meta jest nadal znana głównie ze swoich platform społecznościowych na Facebooku i Instagramie, a także czatu WhatsApp. Jest również obecna w przestrzeni wirtualnej rzeczywistości (VR) dzięki swoim zestawom słuchawkowym VR i nieudanym „Metaverse".
Co ważne, Meta jest firmą zajmującą się sztuczną inteligencją, która zainwestowała ogromne środki w infrastrukturę, aby umożliwić realizację tego celu.
„Planowane jest, że pierwsze wielogigawatowe centrum danych o nazwie Prometheus zostanie uruchomione w 2026 roku, natomiast kolejne, o nazwie Hyperion, będzie mogło osiągnąć moc 5 gigawatów w ciągu najbliższych lat.
„Budujemy również kolejne klastry tytanów. Tylko jeden z nich obejmuje znaczną część powierzchni Manhattanu.
Technologia LLM wydaje się na pierwszy rzut oka przydatna głównie do zadań wymagających „rozmowy”, takich jak chatboty, ulepszone wyszukiwanie online, edukacja i inne działania zorientowane na człowieka.
(META )
Jednak badania te pokazują, że zdolność LLM do nauki języka może być wykorzystana do innych zadań wymagających dużej ilości danych, takich jak nauka „mówienia” o strukturach krystalicznych. To samo można powiedzieć na przykład o kodach genetycznych.
Oznacza to, że postęp w algorytmach LLM prawdopodobnie zapoczątkuje złotą erę zupełnie nowych odkryć w zakresie tworzenia nowych materiałów do baterii, zaawansowanych materiałów, wytwarzania energii itp., a także nowych typów białek i materiałów DNA/RNA, które będzie można wykorzystać w lekach, narzędziach do bioprodukcji itp.
W tym kontekście oznacza to, że firmy takie jak Meta i jej modele Lama LLM nie tylko tworzą potencjalnie dochodowe zamienniki technologiczne istniejących narzędzi, ale także mogą stać się potęgą w dziedzinie własności intelektualnej w świecie fizycznym.
W tym kontekście warto przypomnieć, że pierwotną działalnością technologiczną firm takich jak Meta czy Google (GOOGL ) lub Microsoft (MSFT ), był zaledwie kamieniem milowym przed przekształceniem ich w gigantów napędzanych sztuczną inteligencją i własnością intelektualną, zmieniających świat za pomocą wielu nowych technologii, w tym w dziedzinie odnawialnych źródeł energii i materiałoznawstwa.
Najnowsze wiadomości i wydarzenia dotyczące akcji Meta (META)
Badanie, do którego się odniesiono
1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. Generatywna sztuczna inteligencja do odkrywania porowatych materiałów tlenkowych w celu magazynowania energii nowej generacji. Cell Reports Physical Science, tom 6, numer 7, 102665. 16 lipca 2025 r. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4
