AI opracuje nowe baterie. Znalazła materiał zastępujący akumulatory litowo-jonowe

Odkrywanie materiałów przy pomocy AI jest dużo szybszeefektywniejsze

Choć akumulatory litowo-jonowe oferują efektywne źródło energii, mogą również stwarzać problemy środowiskowe i są trudne w recyklingu. Sztuczna inteligencja pozwala na znaczące przyspieszenie prac nad badaniem i odkrywaniem nowych materiałów — w tym takich, które nie występują w naturze. Ma za sobą pierwszy duży sukces.

• AI opracowała nowy materiał, który może zastąpić akumulatory litowo-jonowe, co może zmniejszyć globalne uzależnienie od litu w produkcji akumulatorów
• Akumulatory litowo-jonowe, mimo swojej efektywności, stwarzają wyzwania środowiskowe i są trudne w recyklingu
• Współpraca Microsoft i PNNL z użyciem AI i platformy Azure Quantum Elements znacząco przyspieszyła badania nad nowymi materiałami
• Projekt GNoME Google DeepMind, podobny do systemu AlphaFold, zwiększył liczbę znanych stabilnych materiałów do 421 tysięcy, otwierając nowe możliwości m.in. w dziedzinie baterii
• Więcej informacji o biznesie znajdziesz na stronie Businessinsider.com.pl

Microsoft we współpracy z Laboratorium Narodowym Północno-Zachodniego Pacyfiku Departamentu Energii Stanów Zjednoczonych (PNNL) odkrył nowy materiał, który mógłby złagodzić globalne uzależnienie od litu w produkcji akumulatorów. Wykorzystując sztuczną inteligencję i platformę chmurową Azure Quantum Elements, zespół Microsoftu przyspieszył czasochłonne badania nad materiałami, które nie występują w naturze.

Dzięki wysokowydajnym systemom komputerowym (HPC), jakie zapewnił Microsoft, algorytmy AI były w stanie przewidzieć cechy nowych materiałów — takie jak energia, siła, naprężenie czy właściwości mechaniczne. Microsoft i PNNL przeszkolili modele AI, korzystając z milionów punktów danych z symulacji, co zaowocowało 1500-krotnie szybszym przewidywaniem właściwości materiałów w porównaniu z tradycyjnymi obliczeniami, realizowanymi bez wsparcia sztucznej inteligencji.

Przed nami nowa era odkryć naukowych

W swoim projekcie Microsoft i PNNL wzięli pod uwagę aż 32,6 miliona potencjalnych materiałów — właśnie tak wyglądał proces selekcji na samym początku. Algorytmy AI zidentyfikowały następnie 500 tys. przewidywanych stabilnych materiałów. Dalej, po przesiewaniu pod kątem właściwości funkcjonalnych, pulę zawężono do 800 potencjalnych kandydatów. To jednak nie koniec. Wykorzystano jeszcze symulacje wspomagane przez AI do badania dynamicznych właściwości, takich jak dyfuzja jonów (proces, w którym jony, czyli naładowane cząsteczki, poruszają się z obszaru o wyższym stężeniu do obszaru o niższym stężeniu, rozpraszając się, aby osiągnąć równomierny rozkład). Dzięki temu zespół Microsoft Quantum zawęził wybór do 150 materiałów.

Po przeprowadzonych eksperymentach Microsoft doszedł do wniosku, że dzięki wsparciu AI, ugruntowanej wiedzy naukowej i wysokiej mocy obliczeniowej, nowoczesna technologia może “zmieścić” kolejne 250 lat innowacji w chemii i nauce o materiałach i zrealizować wszystko w ciągu najbliższych 25 lat. To ogromna oszczędność czasu.

Zespół Microsoft Quantum wziął również pod uwagę praktyczne rozważania, aby zidentyfikować materiały, które faktycznie dałoby się zastosować w praktyce. Tak powstała grupa 18 kandydatów. Eksperci z PNNL przeanalizowali tę grupę i wskazany został ostateczny zwycięzca: materiał elektrolityczny, który wykorzystuje około 70 procent mniej litu niż istniejące baterie litowo-jonowe, zastępując część litu sodem.

Co ważne, nowy materiał został już zsyntetyzowany przez PNNL. Teraz planowane są dodatkowe testy w celu zweryfikowania jego stabilności i wydajności. Brian Abrahamson, dyrektor ds. cyfrowych w PNNL, powiedział, że opracowanie nowych baterii jest kluczowym i globalnym wyzwaniem. — Synteza i testowanie materiałów na dużą skalę jest procesem pracochłonnym i zasadniczo ograniczającym — dodał, tłumacząc przy tym, że dzięki współpracy z Microsoftem i AI uda się zrewolucjonizować de facto każdą branżę, i przed nami nowa era odkryć naukowych.

Google również odkrywa z AI

Istnieją też inne przykłady wykorzystania AI do odkrywania nowych materiałów. Jednym z nich jest projekt GNoME opracowany przez Google DeepMind, który można porównać do ich wcześniejszego systemu AlphaFold. AlphaFold przewidywał struktury białek z wysoką dokładnością, a teraz GNoME przyczynił się do znacznego zwiększenia liczby znanych stabilnych materiałów — aż do 421 tys.

GNoME łączy dwa różne modele głębokiego uczenia się, generując ponad miliard struktur poprzez modyfikacje istniejących materiałów oraz przewidując stabilność nowych materiałów na podstawie formuł chemicznych. To połączenie pozwala na znacznie szerszy zakres możliwości w odkrywaniu materiałów.

Projekt GNoME zidentyfikował również 528 obiecujących przewodników, które mogą pomóc w tworzeniu bardziej wydajnych baterii litowo-jonowych. Zastosowanie AI w odkrywaniu nowych materiałów nie jest zupełną nowością, ale GNoME wyróżnia się swoją skalą i precyzją, opierając się na znacznie większej ilości danych niż wcześniejsze modele.

Dzięki nowym narzędziom AI możliwe jest przyspieszenie innowacji w dziedzinach takich jak energia, komputery i wiele innych sektorów, co może przyczynić się do rozwoju bardziej zrównoważonych technologii.

Sztuczna inteligencja odmieni przyszłość

AI może przyspieszyć proces odkrywania nowych materiałów, które mogą mieć zastosowanie w wielu dziedzinach — od medycyny i energetyki po elektronikę i przemysł kosmiczny. Odkrycie nowych, bardziej wydajnych przewodników może doprowadzić do rozwoju lepszych baterii litowo-jonowych, ale to tylko część możliwości sztucznej inteligencji. AI może pomóc też w odkrywaniu materiałów bardziej przyjaznych dla środowiska, co jest kluczowe w kontekście globalnych wyzwań klimatycznych. Na przykład odkrycie nowych materiałów, które mogą być wykorzystywane w odnawialnych źródłach energii, może przyspieszyć przejście na bardziej zrównoważone formy energii.

W sektorze medycznym AI może przyczynić się do rozwoju nowych materiałów i technologii, np. poprzez opracowanie nowych biomateriałów do regeneracji tkanek lub tworzenia lepszych implantów. Z kolei w dziedzinie elektroniki AI może pomóc w odkrywaniu materiałów, które pozwolą na tworzenie bardziej zaawansowanych i wydajnych urządzeń elektronicznych, w tym komputerów i czujników.

Wykorzystanie AI w badaniach nad materiałami pozwala na szybsze i bardziej efektywne przeprowadzanie eksperymentów, co oszczędza czas i zasoby. Jesteśmy dopiero na początku tej drogi, ale uzyskiwane efekty już teraz robią wrażenie. I sprawiają, że przyszłość wydaje się ciekawsza niż kiedykolwiek.

Autor: Grzegorz Kubera, dziennikarz Business Insider Polska