„Elektrody muszą spełniać bardzo różne właściwości w tym samym czasie. Zawsze są ze sobą sprzeczne” – powiedział Ritesh Kumar, Eric and Wendy Schmidt AI in Science Postdoctoral Fellow na Uniwersytecie w Chicago.
W kwietniu 2025 r. naukowcy z Pritzker School of Molecular Engineering (UChicago PME) na Uniwersytecie w Chicago zaprezentowali nowe ramy sztucznej inteligencji, aby przyspieszyć odkrywanie elektrolitów do baterii. Ramy te równoważą przewodnictwo jonowe, stabilność oksydacyjną i wydajność kulombowską, aby zidentyfikować obiecujące cząsteczki.
Sztuczna inteligencja, przeszkolona na zbiorze danych składającym się z 250 artykułów naukowych, przypisuje cząsteczkom „eScore”, przewidując ich przydatność jako elektrolitów. Sztuczna inteligencja zidentyfikowała już cząsteczkę, która działa równie dobrze jak najlepsze elektrolity, co stanowi znaczący postęp w technologii baterii. Zmniejsza to zależność od prób i błędów, oszczędzając czas i zasoby.
Sztuczna inteligencja może przesiewać miliardy potencjalnych cząsteczek, co jest zadaniem niemożliwym dla ludzi. Naukowcy dążą do opracowania sztucznej inteligencji, która będzie mogła projektować całkowicie nowe cząsteczki o pożądanych właściwościach. Może to zrewolucjonizować konstrukcję baterii do pojazdów elektrycznych, telefonów i magazynowania energii na dużą skalę.
Jeffrey Lopez z Northwestern University podkreśla, że ramy oparte na danych są kluczowe dla przyspieszenia rozwoju materiałów do baterii. Zespół pracuje obecnie nad poprawą zdolności sztucznej inteligencji do identyfikowania nieznanych materiałów, co jeszcze bardziej zwiększy jej możliwości projektowe.