L'elettronica è essenziale nella vita di tutti i giorni. Come sarebbe la nostra vita senza i nostri telefoni cellulari o computer? Dai giocattoli alle lavatrici alle auto elettriche, l'elettronica continua a popolare la nostra routine quotidiana. Molti di questi dispositivi elettronici sono alimentati da batterie agli ioni di litio ad alta densità di energia. Ma due fattori in queste batterie possono portare a conseguenze pericolose.

Primo, l'elettrolita della batteria, il materiale che conduce ioni tra il catodo e l'anodo, è tipicamente un liquido, che è infiammabile. Secondo, poiché le batterie vengono caricate e scaricate nel tempo, la deposizione irregolare di litio all'anodo può portare alla crescita di dendriti che possono collegare il catodo e l'anodo. Ciò può provocare incendi ed esplosioni a causa dell'infiammabilità dell'elettrolita. Sia le auto Tesla che gli aerei Boeing hanno sofferto di problemi alla batteria dendrite, e le esplosioni improvvise del telefono cellulare possono anche essere attribuite ai dendriti.

Questo è il problema che Zeeshan Ahmad e Tian Xie stanno cercando di risolvere. Ahmad, un dottorato di ricerca candidato in ingegneria meccanica presso la Carnegie Mellon University, e Xie, un dottorato di ricerca candidato in scienza e ingegneria dei materiali presso il Massachusetts Institute of Technology, ha recentemente pubblicato un articolo sulla loro ricerca per trovare possibili soluzioni a questo problema dei dendriti. Si sono rivolti al machine learning per generare e analizzare enormi quantità di dati per trovare queste soluzioni.

Per sopprimere la crescita dei dendriti, Ahmad e i suoi colleghi hanno studiato potenziali elettroliti solidi, che a differenza degli elettroliti liquidi, non sono infiammabili. Non solo hanno decifrato quali proprietà richiede l'elettrolita solido, avevano anche bisogno di analizzare migliaia di possibili materiali solidi, che avrebbe richiesto anni utilizzando metodi sperimentali tradizionali.

"Avevamo 13, 000 materiali cristallini inorganici per lo screening per l'elettrolita solido, " Ahmad ha detto. "Era difficile calcolare le proprietà di ciascun elettrolita solido separatamente perché è molto costoso dal punto di vista computazionale. Abbiamo utilizzato l'apprendimento automatico perché può funzionare su grandi scale di dati, per scoprire le proprietà degli elettroliti solidi."

A causa della gamma di disponibilità dei dati, Ahmad e Xie hanno utilizzato una varietà di modelli di apprendimento automatico. Per i casi con dati esistenti sufficienti che possono essere utilizzati per l'addestramento del modello, hanno usato un modello di rete neurale convoluzionale a grafo per prevedere le proprietà degli elettroliti solidi cristallini inorganici. Nei casi in cui non erano disponibili dati di formazione sufficienti, hanno usato la regressione lineare con regolarizzazione, che è più adatto per problemi di dati bassi.

"Abbiamo testato tutti questi materiali per criteri di progettazione o elettroliti solidi, "Ha detto Ahmad. "I nostri elettroliti solidi dovrebbero sopprimere la crescita dei dendriti all'anodo del metallo di litio ed essere elettronicamente isolanti. Dovrebbero essere stabili:non dovrebbero decomporsi spontaneamente a temperatura ambiente. Dovrebbero condurre gli ioni molto velocemente per ottenere un'elevata densità di potenza della batteria necessaria per una ricarica rapida".

Dopo aver analizzato i solidi, hanno trovato sei possibili materiali che potrebbero essere usati come elettroliti solidi, appartenente al solfuro, ioduro, e classi di boroidruro.

"Siamo molto entusiasti di applicare il nostro framework di machine learning a importanti problemi relativi ai materiali, ecco perché la collaborazione con il team CMU è stata così gratificante, " Ha detto Xie. "Trovare sei potenziali elettroliti solidi in così poco tempo mostra la possibilità di accelerare drasticamente la scoperta di materiale con strumenti di apprendimento automatico".

Ora, Ahmad sta lavorando per aggirare il fondamentale compromesso tra solidi e liquidi:i liquidi hanno generalmente un'elevata conducibilità ionica, e pochissimi solidi che hanno un livello comparabile di conduttività sono anche abbastanza stabili da essere usati come elettroliti. Ahmad sta studiando il potenziale degli elettroliti compositi, combinando più solidi con diverse proprietà desiderate.

"Stiamo esaminando gli elettroliti compositi, ma il problema è che generalmente non disponiamo di dati sufficienti per utilizzare l'apprendimento automatico, "Ha detto Ahmad. "Quindi stiamo cercando di affrontare questo problema attraverso i metodi dei primi principi:usiamo la teoria del funzionale della densità e la dinamica molecolare per prevedere le proprietà. Una volta che lo facciamo per, diciamo, cinque materiali, possiamo scoprire alcuni principi di progettazione, e quindi possiamo provare a utilizzare quei principi di progettazione per aiutarci a schermare altri compositi".

La carta, Screening computazionale abilitato per l'apprendimento automatico di elettroliti solidi inorganici per la soppressione della formazione di dendriti negli anodi di metallo di litio, è stato pubblicato sulla rivista Scienze Centrali ACS , DOI:10.1021/acscentsci.8b00229. È stato nominato uno dei migliori articoli ionizzanti nelle interfacce di ricerca. Ulteriori autori furono Venkat Viswanathan, un assistente professore di ingegneria meccanica alla Carnegie Mellon, Jeffery C. Grossman, un professore di scienza e ingegneria dei materiali al MIT, e Chinmay Maheshwari, uno studente dell'Indian Institute of Technology, Bombay, che era uno stagista estivo di ricerca nel laboratorio di Viswanathan.