Seleksi komputasional alih-alih coba-coba empiris: pendekatan baru untuk material baterai

20 November 20262 tampilan

Materi ini menunjukkan bagaimana basis data komputasi, machine learning, dan model generatif mempersempit pilihan komposisi yang menjanjikan, sementara laboratorium otomatis mempercepat pengujiannya; hasil akhirnya tetap bergantung pada sintesis dan pengujian, karena prediksi dapat berbeda dari konduktivitas yang sebenarnya.

Seleksi komputasional alih-alih coba-coba empiris: pendekatan baru untuk material baterai

Mengapa metode coba-coba empiris terbentur skala

Pencarian material secara tradisional dilakukan secara berurutan: sintesis komposisi, pengukuran sifat, lalu penyesuaian parameter. Siklus ini tidak efektif ketika ada jutaan kemungkinan material.

  • Produsen baterai membutuhkan sel dengan kapasitas energi besar, pengisian daya cepat, masa pakai panjang, dan biaya rendah.
  • Sifat material bergantung pada kombinasi unsur dan struktur kristalnya.
  • Sintesis dan pengukuran secara berurutan sulit diterapkan pada jutaan komposisi.

Kriteria praktis: uji coba di laboratorium sebaiknya dilakukan setelah penyaringan komputasional, bukan sebagai penggantinya.

Data dan model sebagai penyaring pertama

Model pembelajaran mesin menggunakan perhitungan dan data sebelumnya. Model ini memperkirakan sifat material yang belum diukur dan menyaring kandidat yang kurang menjanjikan. Data eksperimen tersedia untuk kurang dari 1% senyawa dalam literatur ilmiah terbuka.

Sumber daya atau modelPeranFakta
Materials ProjectBasis data dan alat untuk ilmu materialProyek ini diluncurkan pada 2011 di Berkeley Lab. Proyek ini memiliki lebih dari 650.000 pengguna terdaftar. Penelitian yang ditelaah sejawat telah mengutip data dan alatnya lebih dari 32.000 kali. Perpustakaannya memuat lebih dari 200.000 material dan lebih dari 577.000 molekul. Penggunaannya tidak memerlukan keterampilan pemrograman.
GNoMEPrediksi stabilitas kristalGoogle DeepMind melatih model ini menggunakan data Materials Project. Senyawa baru ditambahkan ke basis data.
MatterGenModel generatif untuk material anorganikMicrosoft mengembangkan model ini. Model ini menggunakan sumber daya yang sama. Model ini mengusulkan struktur baru untuk diuji.

Kriteria praktis: model berguna jika mempersempit daftar kandidat dan bertumpu pada data komputasi serta eksperimen. Model tidak menggantikan pengujian akhir sifat material.

Corong penyaringan: dari jutaan komposisi menjadi daftar pendek

Corong seleksi dimulai dengan daftar besar dan berakhir dengan keputusan untuk melakukan sintesis. Microsoft dan Pacific Northwest National Laboratory menggunakan model AI untuk mencari material anorganik. Model tersebut memprediksi stabilitas dan konduktivitas ionik.

TahapYang terjadiHasil
Pencarian awalModel AI mempelajari kemungkinan material anorganik.Lebih dari 32 juta kandidat.
Penyaringan stabilitasModel memilih kandidat yang stabil.Lebih dari 500.000 kandidat.
Mempersempit daftarPenyaringan memangkas daftar.150 kandidat, lalu 18 untuk evaluasi ahli.
Pemeriksaan fisikSuperkomputer menghitung kandidat teratas dengan lebih terperinci.Sifat material diperjelas.
Keputusan sintesisIlmuwan memilih material untuk laboratorium.Daftar pendek untuk dibuat.

Perhitungannya memakan waktu 80 jam. Tim memperkirakan bahwa metode lama akan membutuhkan 20 tahun.

Kriteria praktis: corong komputasi berguna jika setiap penyaring berikutnya lebih ketat daripada yang sebelumnya, sementara keputusan sintesis tetap berada di tangan ilmuwan.

Saat perhitungan bertemu laboratorium

Daftar kandidat hasil komputasi baru menjadi material setelah disintesis dan diuji. Para peneliti di Pacific Northwest National Laboratory menempuh proses dari kandidat hasil komputasi hingga menjadi sel yang berfungsi.

  • Membuat elektrolit padat dengan mengganti sebagian litium dengan natrium.
  • Menghasilkan material dengan kandungan litium yang lebih rendah daripada baterai litium-ion yang ada.
  • Merakit baterai solid-state dan mengujinya pada suhu ruang serta suhu tinggi.
  • Mencatat konduktivitas yang lebih rendah daripada perkiraan awal.
  • Menyimpulkan bahwa evaluasi menyeluruh diperlukan sebelum produksi massal.
  • Peralihan dari daftar komputer ke sel membutuhkan waktu berminggu-minggu.

A-Lab beroperasi di Berkeley Lab: robot yang dikendalikan AI membuat material. Lini pemodelan terhubung dengan eksperimen otomatis. Di Eropa, inisiatif Battery 2030 plus mengupayakan tujuan serupa.

Kriteria praktis: seleksi komputasional mempersingkat waktu hingga eksperimen, tetapi tidak menjamin sifat yang diklaim. Uji coba menentukan apakah sel berfungsi.

Kriteria kematangan seleksi komputasional

Seleksi komputasional tidak hanya mengandalkan satu model. Proses ini bekerja sebagai rangkaian pengambilan keputusan.

KriteriaYang ditunjukkan
DataModel bertumpu pada perhitungan dan pengukuran sebelumnya.
Sifat sasaranModel memperkirakan stabilitas dan konduktivitas ionik.
Rangkaian pemeriksaanKandidat teratas menjalani perhitungan fisik yang lebih terperinci.
Peran ahliIlmuwan memilih material untuk disintesis di laboratorium.
EksperimenSifat diuji pada material yang telah dibuat.

Kriteria praktis: pendekatan ini matang jika mengarahkan proses dari daftar besar menuju kandidat yang dapat diuji dan tetap mempertahankan pengujian eksperimental. Jika tidak, hasilnya hanya sebatas perhitungan.

Pertanyaan yang sering ditanyakan

Bahan terkait

Semua bahan
Sistem AI multiagen komposit dengan siklus evidensi untuk perencanaan proton pada tumor kepala dan leher
Berita

Sistem AI multiagen komposit dengan siklus evidensi untuk perencanaan proton pada tumor kepala dan leher

Karya ini menguraikan integrasi kebijakan PPO terlatih yang menghasilkan beberapa opsi rencana dengan agen LLM yang melakukan klarifikasi melalui dialog, disertai pemeriksaan metrik klinis dan batasan; berdasarkan data dari 21 pasien, Qwen3-14B yang telah disesuaikan lebih baik dalam mengikuti instruksi dan membantu menggeser kompromi agar lebih mengutamakan tujuan prioritas. Kesimpulan praktisnya: perencanaan DRL otomatis dapat dilengkapi dengan dialog terarah, sambil tetap mempertahankan kendali atas batasan-batasan yang saling bersaing.

20 November 2026
Evolusi benchmark agen seiring peningkatan skala kumpulan tugas: peran seleksi bukti dan perlombaan berurutan
Berita

Evolusi benchmark agen seiring peningkatan skala kumpulan tugas: peran seleksi bukti dan perlombaan berurutan

Studi ini menjelaskan mengapa menambah jumlah tugas dapat menghambat evolusi lingkungan pengujian agen: penyebabnya adalah pemilihan bukti yang buruk, bukan volume data itu sendiri. Successive Scale Racing yang diusulkan memilih kombinasi tugas yang beragam secara bergiliran dan membandingkan kandidat dengan biaya rendah; pada tiga benchmark, metode ini meningkatkan proporsi uji coba yang berhasil saat kumpulan tugas bertambah dari 40 menjadi 200, sedangkan metode dasar mengalami penurunan, dan jumlah peluncuran verifikasi berkurang sekitar 60%.

19 November 2026
Saling meyakinkan antar-model: posisi yang dinyatakan tidak sesuai dengan perilaku dalam dialog
Berita

Saling meyakinkan antar-model: posisi yang dinyatakan tidak sesuai dengan perilaku dalam dialog

Dalam debat terkontrol tentang penyebab perubahan iklim, empat pasang GPT-6 Luna dan Gemini 2.5 Flash Lite menunjukkan dinamika yang berbeda dalam konvergensi atau divergensi sikap. Instruksi langsung untuk meyakinkan tidak memberikan efek yang bertahan lama, sementara posisi yang dinyatakan dan gaya berdebat yang digunakan mencerminkan hal yang berbeda.

19 November 2026
Seleksi komputasional alih-alih coba-coba empiris: pendekatan baru untuk material baterai