آیکون خبر

خبر کامل

کشف ۵ ماده جدید برای باتری‌های آینده با هوش مصنوعی: جایگزینی ارزان‌تر و قدرتمندتر برای لیتیوم

کشف ۵ ماده جدید برای باتری‌های آینده با هوش مصنوعی: جایگزینی ارزان‌تر و قدرتمندتر برای لیتیوم

پژوهشگران موسسه فناوری نیوجرسی (NJIT) با بهره‌گیری از هوش مصنوعی، به کشفی چشمگیر دست یافته‌اند: شناسایی پنج ماده جدید که می‌توانند جایگزینی ارزان‌تر، ایمن‌تر و قدرتمندتر برای لیتیوم در نسل آینده باتری‌ها باشند. این مواد نوظهور که از عناصر فراوان‌تری نظیر منیزیم، کلسیم، آلومینیوم و روی بهره می‌برند، نویدبخش تحولی اساسی در حوزه ذخیره‌سازی انرژی و غلبه بر چالش‌های زیست‌محیطی و اقتصادی باتری‌های لیتیوم-یون هستند.

غلبه بر محدودیت‌های لیتیوم با هوش مصنوعی

با افزایش نگرانی‌ها پیرامون منابع محدود لیتیوم، هزینه‌های بالای استخراج و پیامدهای زیست‌محیطی باتری‌های لیتیوم-یون، دانشمندان به دنبال یافتن گزینه‌های جایگزین هستند. در همین راستا، تیمی به سرپرستی دیباکار داتا از NJIT، در مطالعه‌ای که در نشریه Cell Reports Physical Science منتشر شد، از مدل‌های هوش مصنوعی زایشی (Generative AI) برای شناسایی مواد جدیدی برای باتری‌های یونی چندظرفیتی (Multivalent-ion Batteries) استفاده کرده‌اند.

باتری‌های چندظرفیتی: افق جدید ذخیره‌سازی انرژی

برخلاف باتری‌های لیتیوم-یون که از یون‌های تک‌ظرفیتی استفاده می‌کنند، باتری‌های یونی چندظرفیتی از یون‌هایی با بار دو یا سه‌تایی بهره می‌برند. این ویژگی به آنها امکان می‌دهد تا انرژی بسیار بیشتری را ذخیره کنند و به گزینه‌ای امیدوارکننده برای آینده ذخیره‌سازی انرژی تبدیل شوند.

با این حال، یکی از چالش‌های اصلی این فناوری، جابجایی دشوارتر این یون‌های بزرگ‌تر و با بار بیشتر در ساختارهای متداول باتری است. از این رو، یافتن موادی با ساختار مناسب برای انتقال مؤثر این یون‌ها از اهمیت بالایی برخوردار است؛ مسئله‌ای که هوش مصنوعی در این پژوهش برای حل آن به کار گرفته شد.

نقش هوش مصنوعی زایشی در کشف مواد نوین

داتا در این باره توضیح می‌دهد: «مشکل اصلی ما کمبود ترکیبات شیمیایی امیدبخش نبود، بلکه غیرممکن بودن بررسی میلیون‌ها ترکیب به روش‌های سنتی بود. به همین دلیل از هوش مصنوعی زایشی استفاده کردیم تا بتوانیم به سرعت و به صورت سیستماتیک ساختارهای مطلوب را شناسایی کنیم.»

این رویکرد منجر به غربالگری سریع هزاران ماده بالقوه شد و روند کشف جایگزین‌های مؤثر و پایدار برای باتری‌های لیتیوم-یون را به طور چشمگیری تسریع بخشید.

مدل ترکیبی CDVAE و LLM

تیم تحقیقاتی NJIT برای دستیابی به این هدف، رویکردی دوگانه را طراحی کرد که شامل مدل رمزگذار خودبازگشتی با انتشار بلور (Crystal Diffusion Variational Autoencoder - CDVAE) و یک مدل بزرگ زبانی (LLM) بهینه‌سازی‌شده بود.

  • CDVAE: با آموزش بر داده‌های ساختار بلورهای شناخته‌شده، توانست ساختارهای نوینی با قابلیت‌های متنوع پیشنهاد دهد.
  • LLM: وظیفه انتخاب ساختارهایی را بر عهده داشت که از نظر ترمودینامیکی پایدارتر و در نتیجه قابلیت سنتز بالاتری دارند.

کشف پنج ساختار نوین با عملکرد بالا

در نتیجه این فرآیند، پنج ساختار جدید از اکسیدهای فلزات واسطه با ساختار متخلخل و کانال‌های باز بزرگ شناسایی شد. این ساختارها به طور خاص برای عبور سریع و ایمن یون‌های چندظرفیتی طراحی شده‌اند و می‌توانند نقش مهمی در توسعه نسل آینده باتری‌ها ایفا کنند.

این ساختارها با استفاده از شبیه‌سازی‌های کوانتومی و آزمون‌های پایداری مورد ارزیابی قرار گرفتند و نتایج نشان داد که امکان سنتز آنها در شرایط واقعی وجود دارد.

فراتر از باتری‌ها: انقلابی در کشف مواد پیشرفته

داتا با اشاره به اهمیت این دستاورد تأکید می‌کند: «این فقط کشف چند ماده جدید برای باتری نیست؛ ما روشی سریع و مقیاس‌پذیر برای کشف هر نوع ماده پیشرفته از الکترونیک گرفته تا انرژی پاک ارائه کرده‌ایم؛ بدون نیاز به آزمون و خطای سنتی.»

او افزود که تیمش در مرحله بعد با آزمایشگاه‌های تجربی همکاری خواهد کرد تا مواد شناسایی‌شده را در مقیاس عملی سنتز کرده و گامی مهم به سوی تولید تجاری باتری‌های یونی چندظرفیتی برداشته شود.

شناسنامه خبر:

درباره هوش‌مصنوعی دست‌اول:

تمامی اخبار دست‌اول توسط دستیار هوش مصنوعی «هوشنگ» پردازش، صحت‌سنجی، خلاصه و بازنویسی شده است. هوشنگ هر روز با داده‌های جدید آموزش داده می‌شود و با نظارت دقیق انسانی و سردبیری دست‌اول در حال بهتر شدن است.
شما می‌توانید از چت‌بات و سایر ابزارهای هوشنگ به صورت رایگان استفاده کنید.

دسترسی رایگان به هوشنگ ↗