Forscher des Azure Quantum Elements (AQE) Teams von Microsoft und des Pacific Northwest National Lab (PNNL) des Department of Energy haben sich zusammengetan, um die Entwicklung experimenteller Batterien mithilfe von künstlicher Intelligenz und Hochleistungsrechnern zu beschleunigen.
Der traditionelle Ansatz zur Batterieentwicklung besteht darin, Hypothesen zu testen, bis der ideale Kandidat identifiziert ist. Dieser Prozess kann jedoch zeitaufwendig und ineffizient sein. Die AQE- und PNNL-Teams haben einen anderen Ansatz gewählt und KI-Modelle verwendet, um verschiedene Materialien zu bewerten und vielversprechende Kombinationen vorzuschlagen. Durch mehrere Runden des maschinellen Lernens und der Simulation konnten sie die Möglichkeiten auf 18 zuvor unbekannte Verbindungen eingrenzen.
Das Besondere an diesem Projekt liegt in der Verteilung der Rechenressourcen. Entgegen der herkömmlichen Weisheit wurden 90% der Rechenressourcen für maschinelles Lernen verwendet, um die Auswahlmöglichkeiten einzugrenzen, während nur 10% für anspruchsvolle Simulationen genutzt wurden. Dies unterstreicht die Bedeutung eines effizienteren Einsatzes von Rechenressourcen zur Lösung komplexer Probleme.
Eine der erfolgreichsten Entdeckungen des Projekts war ein Festelektrolyt, der aus 70% Natrium und 30% Lithium besteht. Durch die Kombination dieser Elemente entstand eine Batterie mit vielversprechender Energiedichte und gleichzeitig wurden nachhaltigere und reichlich vorhandene Ressourcen genutzt. Der Prozess der Synthese und Umwandlung der Verbindung in eine Batterie dauerte etwa zehn Stunden, wesentlich schneller als die Berechnungsphase.
Die Identifizierung einer neuen Batteriechemie ist zwar eine bedeutende Leistung, der eigentliche Erfolg liegt jedoch in der Geschwindigkeit, mit der die Teams dies erreichen konnten. Traditionell würde die Batterieforschung in dieser Größenordnung Jahre in Anspruch nehmen, aber die Zusammenarbeit von AQE und PNNL hat dies innerhalb von Wochen geschafft.
Zukünftig erforschen Microsoft und PNNL das Konzept eines digitalen Zwillings für Chemie und Materialwissenschaften, um den Test- und Entwicklungsprozess weiter zu beschleunigen. Durch die Erstellung einer virtuellen Kopie zur digitalen Prüfung von Produktionsänderungen hoffen die Teams, die Zeit für physikalische Prototypen und Tests zu reduzieren.
Obwohl weitere Tests und Prototypen erforderlich sind, um die Machbarkeit der neu identifizierten Batteriechemie zu bestimmen, zeigt diese Zusammenarbeit zwischen AQE und PNNL das Potenzial der Kombination von KI, maschinellem Lernen und Hochleistungsrechnern, um wissenschaftliche Entdeckungen und Innovationen zu beschleunigen.
The source of the article is from the blog papodemusica.com