以计算筛选取代经验试错:电池材料的新方法

20 十一月 20262 视图

本文介绍了计算数据库、机器学习和生成式模型如何缩小有前景配方的筛选范围,以及自动化实验室如何加快验证;但最终结果仍取决于合成与测试,预测值可能与实际电导率不符。

以计算筛选取代经验试错:电池材料的新方法

为什么经验性试错受限于规模

传统的材料搜索按顺序进行:合成材料、测量性能、调整参数。当可能的材料多达数百万种时,这种循环很难奏效。

  • 电池制造商需要能量储备更大、充电更快、寿命更长且成本更低的材料。
  • 材料性能取决于元素组合和晶体结构。
  • 按顺序进行合成和测量,难以扩展到数百万种成分。

**实用标准:**应在计算筛选之后开展实验室试错,而不是用它取代计算筛选。

数据和模型作为第一道筛选

机器学习模型利用计算结果和已有数据,评估未经测量的材料性能,并筛除表现不佳的选项。在开放科学文献中,有实验数据的化合物不到 1%。

资源或模型作用事实
Materials Project材料数据库和工具该项目于 2011 年在 Berkeley Lab 启动。项目拥有超过 650,000 名注册用户。同行评审研究引用其数据和工具的次数超过 32,000 次。数据库包含超过 200,000 种材料和超过 577,000 种分子。使用该数据库无需编程技能。
GNoME预测晶体稳定性Google DeepMind 使用 Materials Project 的数据训练了该模型。新的化合物被添加到数据库中。
MatterGen无机材料生成模型Microsoft 创建了该模型。它使用同一资源。该模型提出新的结构以供验证。

**实用标准:**如果模型能缩小候选名单,并基于计算数据和实验数据,那么它就有用。但它不能取代对材料性能的最终验证。

漏斗:从数百万种成分到候选名单

筛选漏斗从一个庞大的清单开始,最终决定是否进行合成。Microsoft 和 Pacific Northwest National Laboratory 使用 AI 模型搜索无机材料。这些模型预测了稳定性和离子电导率。

阶段过程结果
初步搜索AI 模型研究可能的无机材料。超过 3,200 万种候选材料。
稳定性筛选模型筛选出稳定的候选材料。超过 500,000 种候选材料。
缩小名单筛选进一步缩减名单。150 种候选材料,随后选出 18 种供专家评估。
物理验证超级计算机对领先候选材料进行更详细的计算。性能评估更加精确。
合成决策科学家为实验室挑选材料。用于制备的候选名单。

计算耗时 80 小时。团队估计,采用旧方法需要 20 年。

**实用标准:**如果计算筛选漏斗中的每一道筛选都比前一道更严格,并且由科学家决定是否进行合成,那么这种方法就有用。

从计算走向实验室

计算筛选得到的名单,只有在材料合成并经过测试后,才能转化为实际材料。Pacific Northwest National Laboratory 的研究人员完成了从计算候选材料到可工作的电池的整个过程。

  • 制备了一种固态电解质,其中部分锂被钠取代。
  • 制得的材料含锂量低于现有锂离子电池。
  • 组装了一种固态电池,并在室温和较高温度下进行了测试。
  • 测得的电导率低于最初预期。
  • 研究人员指出,在大规模生产前必须进行全面评估。
  • 从计算机筛选名单到制成电池,用时数周。

Berkeley Lab 设有 A-Lab:由 AI 控制的机器人负责制备材料。该实验室将建模流程与自动化实验相结合。在欧洲,Battery 2030 plus 倡议也在致力于类似目标。

**实用标准:**计算筛选能缩短通往实验的路径,但不能保证材料具备所宣称的性能。电池是否可用,要由测试来决定。

计算筛选的成熟度标准

计算筛选并非依赖单一模型,而是一系列连续的决策。

标准说明
数据模型基于计算结果和以往的测量数据。
目标性能模型评估稳定性和离子电导率。
分级验证领先候选材料需要经过更详细的物理计算。
专家作用科学家挑选材料进行实验室合成。
实验在制成的材料上验证其性能。

**实用标准:**如果这种方法能从庞大的名单中筛选出可验证的候选材料,并保留实验验证环节,那么它就是成熟的。否则,就只是计算结果。

常问问题

以计算筛选取代经验试错:电池材料的新方法