Utilizzando l'apprendimento attivo, gli scienziati stanno trovando più rapidamente candidati adatti per le batterie a flusso redox.

Quando arriva il momento di progettare una nuova chimica della batteria, solo gli scienziati possono provare sperimentalmente una manciata di possibilità, poiché ci vogliono tempo e risorse per sintetizzare e studiare ogni nuova molecola. Eseguendo simulazioni molecolari affidabili utilizzando supercomputer, i ricercatori possono accelerare il processo di screening dei materiali desiderati ed espandere l'ampiezza della loro ricerca, mentre si ottengono informazioni dettagliate sulle possibilità insite nelle diverse sostanze chimiche.

Però, anche le simulazioni ad alto rendimento eseguite su questi supercomputer possono esaminare solo una frazione delle possibili sostanze chimiche praticabili che esistono per alcuni tipi di batterie. In un nuovo studio dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE), i ricercatori stanno facendo il passo successivo per accelerare la ricerca dei migliori componenti possibili della batteria utilizzando l'intelligenza artificiale.

Il gruppo di studio, guidato dal chimico delle Argonne Rajeev Surendran Assary, studiato il funzionamento interno delle batterie a flusso redox, in cui l'energia chimica è immagazzinata in molecole disciolte che interagiscono con gli elettrodi. Le batterie a flusso sono promettenti per applicazioni nella rete elettrica. Sostituiscono catodi e anodi solidi con soluzioni liquide infuse di molecole che immagazzinano e rilasciano energia. Le batterie a flusso convenzionali si basano su molecole che hanno un elemento di accumulo di carica per molecola, con versatilità limitata. Ricercatori del Joint Center for Energy Storage Research (JCESR), un DOE Energy Innovation Hub guidato da Argonne, ha introdotto il concetto di immagazzinare e rilasciare energia con materiali chiamati "polimeri redox attivi, " o redoxmer, che si basano su molecole più grandi, ciascuno con decine di elementi di immagazzinamento di carica.

Rispetto ai sistemi convenzionali, i redoxmer consentono una flessibilità molto maggiore per personalizzare in modo indipendente molti aspetti delle caratteristiche e delle prestazioni della batteria. Le batterie a flusso Redoxmer aprono una nuova porta sul design delle batterie a flusso perché possono fornire funzionalità elevate a basso costo, con poco danno per l'ambiente. Le batterie a flusso redoxmer di JCESR hanno il potenziale per trasformare il modo in cui pensiamo e utilizziamo le batterie a flusso per la rete.

Nel caso dei redoxmer in studio, Assary e i suoi colleghi hanno notato che, mentre la batteria si carica e si scarica, tendono a formare un film inattivo. Per prevenire questo fenomeno, il team di Argonne ha cercato di progettare un redoxmer che potesse essere tagliato elettricamente a una particolare tensione, liberandolo per rientrare nella soluzione elettrolitica.

"Puoi pensarlo come pulire una padella su cui cucini, " ha detto il ricercatore post-dottorato di Argonne Hieu Doan, un altro autore dello studio. "Per rimuovere più facilmente i residui di cibo appiccicoso, puoi usare una fiamma alta, ed è quello che stiamo facendo con l'elettricità."

I ricercatori volevano che la tensione di taglio fosse appena al di fuori della normale finestra operativa della batteria, in modo che non interferisca con le prestazioni, ma inoltre non richiederebbe molta energia aggiuntiva.

Per trovare un redoxmer che fenderebbe alla tensione appropriata, Assary e il team si sono rivolti al supercomputer Bebop di Argonne presso il Laboratory Computing Resource Center. Primo, i ricercatori hanno eseguito una serie di 1, 400 diversi redoxmer che utilizzano calcoli della teoria del funzionale della densità (DFT), che sono altamente accurati ma computazionalmente costosi. Però, questi 1, 400 redoxmer rappresentavano solo una piccola fetta dello spazio chimico totale a cui i ricercatori erano interessati.

"Sperimentalmente, potrebbero volerci mesi per sintetizzare e testare una dozzina di questi redoxmer, quindi per poter studiare più di mille redoxmer al computer in dettaglio è essenziale, " ha detto Assario.

Ciascuno di questi redoxmer è costituito da un'impalcatura molecolare su cui sono posizionati una varietà di diversi gruppi funzionali chimici, che sono atomi o molecole aggiuntivi. "L'impalcatura è stata progettata sulla base dei suggerimenti dei nostri collaboratori sperimentali, " ha detto Doan. Mentre l'impalcatura è coerente tra i redoxmer, variando i gruppi funzionali si ottengono proprietà diverse.

Per trovare le molecole ideali da un set di dati più ampio composto da più di 100, 000 redoxmer senza eseguire calcoli DFT estesi, i ricercatori hanno utilizzato una tecnica di apprendimento automatico chiamata apprendimento attivo. Questo set di dati più ampio includeva redoxmer strutturalmente simili a quelli del set di dati DFT originale di 1, 400 molecole, nella misura in cui entrambi i gruppi di molecole utilizzavano la stessa impalcatura. Però, a causa dei diversi modi in cui i gruppi funzionali sono stati popolati, le proprietà divergevano.

"Quanto apprendimento puoi fare nell'apprendimento automatico è limitato dal tuo set di dati di addestramento, " Assary ha detto. "Puoi solo sapere quello che hai visto, e se hai qualcosa di diverso su cui stai cercando di fare previsioni, potrebbe non essere efficace".

Piuttosto che allenarsi sulla totalità dei dati, Assary e i suoi colleghi hanno addestrato il modello solo su una manciata di diverse possibilità di redoxmer. Secondo Doan, dopo aver addestrato il modello con 10 punti dati, il modello seleziona da solo l'undicesimo punto dati dal pool di dati rimanente.

"Il modello garantisce che aggiungendo questo nuovo punto dati al training set, diventerà migliore, e poi possiamo allenarlo di nuovo, " ha detto Doan. "Qualunque cosa massimizzi la precisione del modello, quello sarà il prossimo punto dati da selezionare."

Assary ha detto che per identificare 30 molecole con le proprietà desiderate da un set di dati iniziale di 1, 400, ha preso solo 70 scelte. Con il prelievo casuale, solo il 9% delle scelte avrebbe avuto successo, rappresentando un miglioramento di cinque volte.

"Un miglioramento così sostanziale rispetto a uno spazio chimico così ampio è notevole, " disse Assary. Infatti, quando lo stesso approccio è stato applicato al 100, 000+ set di dati, ha trovato con successo 42 molecole desiderate entro 100 scelte.

Un documento basato sullo studio, "Apprendimento attivo informato dalla chimica quantistica per accelerare la progettazione e la scoperta di materiali per lo stoccaggio di energia sostenibile, " è stato pubblicato nel numero del 28 maggio di Chimica dei materiali .