Pesquisadores da equipe Azure Quantum Elements (AQE) da Microsoft e do Laboratório Nacional do Noroeste do Pacífico do Departamento de Energia dos EUA colaboraram em um projeto para acelerar o desenvolvimento de baterias experimentais usando uma combinação de inteligência artificial e computação de alto desempenho.
A abordagem tradicional para o desenvolvimento de baterias envolve testar uma hipótese após a outra até que o candidato ideal seja identificado. No entanto, esse processo pode ser demorado e ineficiente. As equipes da AQE e do PNNL adotaram uma abordagem diferente, utilizando modelos de IA para avaliar diferentes materiais e sugerir combinações promissoras. Através de várias rodadas de aprendizado de máquina e simulação, eles reduziram o campo de possibilidades para 18 compostos previamente desconhecidos.
O que é único neste projeto é a distribuição de recursos de computação. Contrariando a sabedoria convencional, 90% dos recursos de computação foram alocados para tarefas de aprendizado de máquina com o objetivo de reduzir as opções, enquanto apenas 10% foram usados para cargas de trabalho de simulação de alta precisão. Isso destaca a importância de uma aplicação mais inteligente de recursos de computação na resolução de problemas complexos.
Uma das descobertas mais bem-sucedidas do projeto foi um eletrólito de estado sólido composto por 70% de sódio e 30% de lítio. A combinação desses elementos resultou em uma bateria com densidade de energia promissora, ao mesmo tempo que utiliza um recurso mais sustentável e abundante. O processo de sintetização e transformação do composto em uma bateria levou cerca de dez horas, muito mais rápido do que a etapa de computação.
Embora a identificação de uma nova química de bateria seja um feito significativo, o verdadeiro sucesso está na velocidade com que as equipes conseguiram alcançá-lo. Tradicionalmente, pesquisa de bateria dessa magnitude levaria anos, mas a colaboração entre AQE e PNNL conseguiu em questão de semanas.
Para o futuro, a Microsoft e o PNNL estão explorando o conceito de um “gêmeo digital” para química e ciências dos materiais, o que pode acelerar ainda mais o processo de teste e desenvolvimento. Ao criar uma réplica virtual para testar mudanças de produção digitalmente, as equipes esperam reduzir o tempo necessário para prototipagem e testes físicos.
Embora testes e protótipos adicionais sejam necessários para determinar a viabilidade da nova química de bateria identificada, essa colaboração entre AQE e PNNL demonstra o potencial de combinar IA, aprendizado de máquina e computação de alto desempenho para acelerar descobertas científicas e inovação.
The source of the article is from the blog smartphonemagazine.nl