Sztuczna inteligencja odkrywa nowe materiały dla baterii przyszłości

Baterie litowo-jonowe od dwóch dekad napędzają nasze telefony, laptopy i samochody elektryczne. Stały się symbolem współczesnej rewolucji energetycznej – lekkie, wydajne i wystarczająco trwałe, aby mogły stać się standardem globalnym. Jednak ich sukces ujawnił również poważne ograniczenia.

Lit jest surowcem kosztownym w wydobyciu, skoncentrowanym geograficznie głównie w Ameryce Południowej, Australii i Chinach. W dodatku wydobycie litu fatalnie wpływa na środowisko – wymaga ogromnych ilości wody, a eksploatacja złóż niszczy lokalne ekosystemy.

Według prognoz Międzynarodowej Agencji Energetycznej, do 2040 roku zapotrzebowanie na lit może wzrosnąć nawet siedmiokrotnie. Ceny już dziś wahają się w rytm globalnej koniunktury, a geopolityczne napięcia wokół surowców krytycznych stają się faktem. Uzależnienie świata od jednego pierwiastka to ryzyko gospodarcze, ekologiczne i polityczne.

Wzrost popytu na akumulatory sprawia, że problem ten staje się coraz bardziej palący. Dlatego naukowcy intensywnie poszukują zamienników, które byłyby tańsze, bardziej dostępne i bezpieczniejsze dla środowiska. Jedną z najbardziej obiecujących ścieżek są tzw. baterie multiwalentne, oparte na pierwiastkach takich jak magnez, wapń, glin czy cynk.

Dlaczego baterie multiwalentne są wyjątkowe?

W klasycznych akumulatorach litowo-jonowych nośnikiem energii są jony litu, które przenoszą pojedynczy ładunek dodatni. Multiwalentne jony – np. magnezowe czy glinowe – mogą przenosić dwa, a nawet trzy ładunki. Oznacza to, że każdy taki jon dostarcza więcej energii. W teorii pozwala to stworzyć akumulatory o znacznie większej pojemności energetycznej.

• Jony litu (Li⁺) niosą pojedynczy ładunek dodatni.
• Jony multiwalentne (np. Mg²⁺, Ca²⁺, Al³⁺) niosą dwa lub trzy ładunki.

Problem polega jednak na tym, że większe i silniej naładowane jony poruszają się powoli i z trudem przeciskają się przez struktury typowych materiałów elektrodowych. Powodują też ich uszkodzenia. Przez dekady to właśnie ta bariera blokowała rozwój baterii multiwalentnych.

Wyzwanie: igła w stogu siana

Odpowiedni materiał musi mieć trzy cechy:

1. szerokie, otwarte kanały – aby duże jony mogły się swobodnie poruszać,
2. wytrzymałość strukturalną – żeby materiał nie ulegał rozpadowi przy ciągłym wchodzeniu i wychodzeniu jonów,
3. stabilność termodynamiczną – by nie rozkładał się na prostsze związki.

Tego typu materiałów można szukać wśród milionów kombinacji. Tradycyjne podejście – eksperymenty w laboratorium – jest zbyt wolne. Obliczenia kwantowe (DFT) – choć precyzyjne – wymagają ogromnej mocy obliczeniowej, by przeanalizować nawet pojedynczy skomplikowany związek.

– Jedną z największych przeszkód nie był brak obiecujących substancji chemicznych do produkcji baterii, ale brak możliwości przetestowania milionów kombinacji materiałów – wyjaśnia profesor Dibakar Datta, szef zespołu badawczego z New Jersey Institute of Technology (NJIT).

Podwójna sztuczna inteligencja w akcji

Przełom przyniósł projekt badaczy z NJIT, którzy opracowali system łączący dwa typy generatywnej sztucznej inteligencji:

• Crystal Diffusion Variational Autoencoder (CDVAE) – AI-„architekt”. Uczy się na bazie znanych struktur krystalicznych i potrafi projektować zupełnie nowe materiały. Tworzy tysiące hipotez – od prostych wariacji po całkowicie nowe układy atomów.
• Large Language Model (LLM) – AI-„inżynier”. Ocenia propozycje CDVAE i odrzuca te niestabilne. Dzięki treningowi na danych materiałowych potrafi wskazać struktury bliskie równowadze termodynamicznej, a więc takie, które realnie da się zsyntetyzować.

– Zwróciliśmy się ku generatywnej sztucznej inteligencji jako szybkiemu i systematycznemu sposobowi na przeszukanie tego rozległego krajobrazu i wykrycie kilku struktur, które mogłyby urzeczywistnić ideę baterii multiwalentnych – wyjaśnia Datta.

Wyniki: pięć nowych kandydatów

Wspólna praca obu modeli pozwoliła wyłowić z oceanu możliwości pięć zupełnie nowych struktur tlenkowych metali przejściowych (TMO – Transition Metal Oxides). Każda z nich ma porowatą budowę z szerokimi tunelami, które umożliwiają szybkie i bezpieczne przemieszczanie się dużych jonów multiwalentnych.

– Nasze narzędzia oparte o AI radykalnie przyspieszyły proces odkryć, dzięki czemu odkryto pięć zupełnie nowych i bardzo obiecujących porowatych struktur tlenków metali przejściowych – podkreśla Datta. – Materiały te mają duże, otwarte kanały, idealne do szybkiego i bezpiecznego transportu nieporęcznych jonów multiwalentnych, co stanowi przełomowy moment dla akumulatorów nowej generacji.

Następnie wszystkie propozycje zweryfikowano w symulacjach kwantowych. Potwierdziły one stabilność termodynamiczną struktur oraz ich korzystne właściwości transportowe.

Szczegóły odkrycia: co mówi publikacja naukowa?

Szczegółowy artykuł w Cell Reports Physical Science przedstawia dogłębną analizę pracy obu modeli. CDVAE wygenerował aż 10 tys. struktur, z których 8203 przeszły wstępną selekcję. Następnie filtr ML (ALIGNN) ocenił ich stabilność i przewodnictwo. Ostatecznie wybrano 42 struktury, w tym 5 szczególnie obiecujących tlenkowych.

Równolegle LLM wygenerował kolejne 10 tys. propozycji, z czego po filtracji pozostało 13 kandydatów. Choć wszystkie były bezatomowe (bez tlenu), wykazywały cechy podobne do materiałów TMO i dużą stabilność.

Analiza porównawcza obu podejść ujawniła ciekawe różnice między nimi.

Model CDVAE generował propozycje bardziej zróżnicowane, często wskazując na nietypowe konfiguracje atomów. To zwiększało szansę odkrycia zupełnie nowych materiałów, nawet jeśli część z nich okazywała się mniej stabilna. Naukowcy określają to mianem poszukiwania „głębszych minimów energetycznych” – hipotetycznych struktur, które mogą mieć wyjątkowe właściwości, ale nie zawsze są łatwe do uzyskania w laboratorium.

Z kolei model LLM był bardziej zachowawczy. Proponował struktury bliższe znanym i już badanym układom, co przekładało się na większą przewidywalność i stabilność. Dzięki temu uzyskane projekty miały większe szanse na bezpośrednią syntezę i praktyczne zastosowanie.

Ostatecznie to właśnie CDVAE dostarczył pięć kluczowych struktur TMO – każda z nich charakteryzuje się dużymi tunelami do transportu jonów.

1. CuSn₂OF₈ – struktura bogata w fluor i tlen, z szerokimi tunelami ułatwiającymi ruch jonów.
2. Mg₂Cu₂OF₄ – potencjalnie stabilny układ oparty na magnezie i miedzi, szczególnie atrakcyjny ze względu na obfitość magnezu w skorupie ziemskiej.
3. Ca₄O₂In₂ – związek wapnia i indu, który w obliczeniach fononowych wykazał brak niestabilności sieci krystalicznej.
4. Ca₅ZnNi₂OF₁₁ – złożona struktura z udziałem cynku i niklu, cechująca się bogatą siecią kanałów.
5. RbCaCuBi₂OF₁₀ – najbardziej egzotyczny z zestawu, zawierający rubid i bizmut, które rzadko trafiają do badań nad bateriami.

Stabilność i synteza w praktyce

Symulacje kwantowe DFT potwierdziły, że wszystkie pięć materiałów jest stabilnych lub metastabilnych, czyli takich, które mogą istnieć w praktyce laboratoryjnej. Część z nich ma wartość energy above hull powyżej 0,3 eV/atom – co w teorii oznacza, że nie należą do najbardziej stabilnych form i w naturalnych warunkach mogłyby ulec rozpadowi na prostsze związki.

Nie przekreśla to jednak ich potencjału. W materiałoznawstwie znane są liczne przykłady związków metastabilnych, które udało się wytworzyć dzięki tzw. metodom poza równowagą.

Polegają one na szybkim „zamrożeniu” struktury zanim zdąży się rozpaść. Stosuje się w tym celu m.in. szybkie chłodzenie stopionego materiału (quenching), osadzanie warstw za pomocą wiązki laserowej (PLD – pulsed laser deposition) czy syntezę pod wysokim ciśnieniem. Dzięki takim technikom można uzyskać materiały, które choć mniej trwałe niż ich stabilniejsze odpowiedniki, pozostają wystarczająco stabilne do praktycznego wykorzystania.

Znaczenie odkrycia

Opracowany system nie tylko pozwolił skrócić proces poszukiwań z dekad do miesięcy, ale także stworzył uniwersalne narzędzie dla nauki o materiałach.

– Chodzi o coś więcej niż tylko odkrywanie nowych materiałów do produkcji baterii — to fundament szybkiej, skalowalnej metody badania wszelkich zaawansowanych materiałów, od elektroniki po rozwiązania z zakresu czystej energii – podkreśla Datta.

To oznacza, że ta sama metoda może być użyta także w innych dziedzinach:

• fotowoltaika – nowe półprzewodniki do paneli słonecznych,
• kataliza – projektowanie materiałów do reakcji chemicznych, np. w produkcji wodoru,
• elektronika – nowe podłoża dla tranzystorów i chipów,
• magazynowanie wodoru – materiały porowate do bezpiecznego przechowywania paliwa przyszłości.

Kolejne kroki

Kolejnym krokiem jest współpraca z laboratoriami eksperymentalnymi. Naukowcy planują zsyntetyzować nowe materiały i sprawdzić ich działanie w rzeczywistych ogniwach. Jeśli się sprawdzą, mogą stać się fundamentem dla nowej generacji akumulatorów – tańszych, bezpieczniejszych i opartych na łatwo dostępnych pierwiastkach.

Podsumowanie

Projekt NJIT to przykład, jak sztuczna inteligencja staje się nowym narzędziem odkrywania materiałów. W kilka miesięcy udało się znaleźć pięć kandydatów, których poszukiwanie zajęłoby dziesięciolecia. To nie tylko krok ku bateriom przyszłości, ale i dowód na to, że AI może zmienić sposób, w jaki rozwijamy technologie energetyczne, elektroniczne czy medyczne.

Świat potrzebuje alternatyw dla litu. Dzięki AI wiemy już, że są one w zasięgu ręki – teraz trzeba tylko sprawdzić, czy uda się je przenieść z symulacji komputerowych do rzeczywistych laboratoriów.

źródła: sciencedaily.com, thebrighterside.news, investingnews.com