Làm thế nào chúng ta có thể tối ưu hóa pin thể rắn? Hãy thử hỏi AI
của Đại học Tohoku
Phân tích AI dựa trên dữ liệu lớn về SSE hydride. Tín dụng: Angewandte Chemie International Edition (2025). DOI: 10.1002/anie.202506573
Các nhà khoa học đang chạy đua với thời gian để cố gắng tạo ra các nguồn năng lượng bền vững, mang tính cách mạng (như pin thể rắn) để chống lại biến đổi khí hậu. Tuy nhiên, cuộc đua này giống như một cuộc chạy marathon hơn, vì các phương pháp tiếp cận thông thường có bản chất là thử nghiệm và sai sót, thường tập trung vào việc thử nghiệm từng vật liệu và thiết lập từng lộ trình một.
Để đưa chúng ta đến đích nhanh hơn, các nhà nghiên cứu tại Đại học Tohoku đã phát triển một khuôn khổ AI dựa trên dữ liệu chỉ ra các ứng cử viên chất điện phân thể rắn (SSE) tiềm năng có thể là "ứng cử viên" để tạo ra giải pháp năng lượng bền vững lý tưởng.
Mô hình này không chỉ chọn ra các ứng viên tối ưu mà còn có thể dự đoán phản ứng sẽ diễn ra như thế nào và tại sao ứng viên này lại là lựa chọn tốt - cung cấp những hiểu biết thú vị về các cơ chế tiềm năng và giúp các nhà nghiên cứu có bước khởi đầu thuận lợi mà không cần phải bước chân vào phòng thí nghiệm.
Những phát hiện này đã được công bố trên Angewandte Chemie International Edition vào ngày 17 tháng 4 năm 2025.
"Về cơ bản, mô hình này thực hiện tất cả các công việc thử nghiệm và sai sót cho chúng tôi", Giáo sư Hao Li từ Viện nghiên cứu vật liệu tiên tiến giải thích. "Nó lấy từ cơ sở dữ liệu lớn về các nghiên cứu trước đây để tìm kiếm trong tất cả các tùy chọn tiềm năng và tìm ra ứng viên SSE tốt nhất".
Phương pháp này là một khuôn khổ AI tiên phong dựa trên dữ liệu tích hợp các mô hình ngôn ngữ lớn (LLM), MetaD, hồi quy tuyến tính bội, thuật toán di truyền và phân tích chuẩn lý thuyết-thí nghiệm. Về cơ bản, các mô hình dự đoán lấy từ cả dữ liệu thực nghiệm và dữ liệu tính toán. Nghiên cứu hỗ trợ tính toán cung cấp cho các nhà nghiên cứu một manh mối vững chắc về hướng đi nào có thể mang lại kết quả thành công nhất.
Phân tích tương quan giữa Ea di cư của SSE hydride và các mô tả lý thuyết. Nguồn: Angewandte Chemie International Edition (2025). DOI: 10.1002/anie.202506573
Các rào cản di cư cation thực nghiệm và mô phỏng của SSE hydride. Nguồn: Angewandte Chemie International Edition (2025). DOI: 10.1002/anie.202506573
Mục tiêu của nghiên cứu này là tìm hiểu mối quan hệ giữa cấu trúc và hiệu suất của SSE. Mô hình dự đoán năng lượng hoạt hóa, xác định cấu trúc tinh thể ổn định và cải thiện quy trình làm việc của các nhà khoa học nói chung. Những phát hiện của họ chứng minh rằng ab initio MetaD đại diện cho một kỹ thuật tính toán tối ưu cho thấy mức độ đồng thuận cao với dữ liệu thực nghiệm đối với SSE hydride phức tạp.
Hơn nữa, họ đã xác định được một cơ chế di chuyển ion "hai bước" mới trong cả SSE hydride hóa trị một và hóa trị hai phát sinh từ sự kết hợp của các nhóm phân tử. Tận dụng phân tích tính năng kết hợp với hồi quy tuyến tính bội, họ đã xây dựng thành công các mô hình dự đoán chính xác để đánh giá nhanh hiệu suất SSE hydride.
Đáng chú ý, khuôn khổ được đề xuất cũng cho phép dự đoán chính xác các cấu trúc ứng viên mà không cần dựa vào các đầu vào thử nghiệm. Nhìn chung, nghiên cứu này cung cấp những hiểu biết mang tính chuyển đổi và các phương pháp tiên tiến để thiết kế và tối ưu hóa hiệu quả các loại pin thể rắn thế hệ tiếp theo, đóng góp đáng kể vào các giải pháp năng lượng bền vững.
Các nhà nghiên cứu có kế hoạch mở rộng ứng dụng của khuôn khổ này trên nhiều họ chất điện phân khác nhau. Họ cũng dự kiến sử dụng các công cụ AI tạo sinh có thể khám phá các con đường di chuyển ion và cơ chế phản ứng, do đó cải thiện khả năng dự đoán của nền tảng.
Các kết quả thử nghiệm và tính toán chính có sẵn trong Cơ sở dữ liệu động về chất điện phân thể rắn (DDSE) do nhóm của Hao Li phát triển, cơ sở dữ liệu chất điện phân thể rắn lớn nhất được báo cáo cho đến nay.
Thông tin thêm: Qian Wang và cộng sự, Giải mã sự phức tạp của chất điện phân hydride hóa trị hai trong pin thể rắn thông qua khuôn khổ dữ liệu với mô hình ngôn ngữ lớn, Angewandte Chemie International Edition (2025). DOI: 10.1002/anie.202506573
Thông tin tạp chí: Angewandte Chemie International Edition
