Νέα προσέγγιση με «μεγάλο ποσοτικό μοντέλο» μειώνει δραστικά τον χρόνο και το κόστος ανάπτυξης καινοτόμων υλικών

Η SandboxAQ ανέπτυξε μια πρωτοποριακή μέθοδο αξιοποίησης της τεχνητής νοημοσύνης (AI) για την ανακάλυψη νέων υλικών μπαταριών, συνδυάζοντας μια πλατφόρμα χημικής προσομοίωσης με τα εξελιγμένα AI frameworks των μεγάλων γλωσσικών μοντέλων. Το αποτέλεσμα είναι το λεγόμενο «μεγάλο ποσοτικό μοντέλο» (LQM).

Όπως εξηγεί ο Ang Xiao, τεχνικός υπεύθυνος για την επιστήμη υλικών στη SandboxAQ, η παραδοσιακή διαδικασία ανάπτυξης υλικών για μπαταρίες βασίζεται κυρίως σε δοκιμές και σφάλματα: ξεκινάει από μια υπόθεση, ακολουθεί σύνθεση και ανάλυση των αποτελεσμάτων πριν τον επόμενο κύκλο. «Επιδιώκουμε να επαναπροσδιορίσουμε αυτή τη διαδικασία με χρήση AI και φυσικών μοντέλων, δημιουργώντας ένα μεγάλο ποσοτικό μοντέλο με αριθμητικές εξισώσεις. Ξεκινάμε από τη δημιουργία χημικών δομών και αξιοποιούμε την τεχνητή νοημοσύνη για να προβλέψουμε απόδοση, ιδιότητες και κόστος — παράγοντας κρίσιμος», αναφέρει χαρακτηριστικά.

Τα δύο βασικά εμπόδια που εντοπίζει ο Xiao στην επιστήμη υλικών είναι τα δεδομένα και η αρχιτεκτονική των μοντέλων. «Υπάρχουν τεράστιες ποσότητες δεδομένων στη βάση του UC Berkeley, με βιβλιοθήκη 240.000 υλικών — μια εξαιρετική πηγή, αλλά καλύπτει περιορισμένους τομείς», σημειώνει. «Στο γενικό χημικό χώρο των στερεών υλικών, μια πρόχειρη εκτίμηση φτάνει τα 10¹⁷⁷ πιθανά στερεά υλικά. Όμως η απόδοση της AI εξαρτάται από τα δεδομένα εκπαίδευσης.»

Σύμφωνα με τον Xiao, η νέα μέθοδος μπορεί να μειώσει σημαντικά τη φάση ανακάλυψης από χρόνια σε λίγους μήνες, ενώ η μαζική παραγωγή μπορεί να επιτευχθεί σε πέντε χρόνια αντί για δέκα. «Το LQM δεν περιορίζει μόνο το κόστος και τον χρόνο, αλλά κυρίως εντοπίζει εντελώς νέα υλικά που δεν είχαν ποτέ φανταστεί οι επιστήμονες», υπογραμμίζει.

Αυτόματη δημιουργία και αξιολόγηση νέων υλικών

Για την εκπαίδευση του AI μοντέλου, η εταιρεία χρησιμοποιεί προσομοιωτικά μοντέλα ώστε να παράγει τα απαραίτητα δεδομένα. «Η έξυπνη αυτή προσέγγιση μας επιτρέπει να ισορροπούμε μεταξύ εξερεύνησης και αξιοποίησης, ελέγχοντας εκατομμύρια ενώσεις», επισημαίνει ο Xiao.

Τα κατάλληλα υλικά που εντοπίζονται μέσω αυτής της διαδικασίας δοκιμάζονται περαιτέρω σε προσομοιώσεις και μπορούν να αδειοδοτηθούν σε συνεργάτες για δοκιμή ως προς την καταλληλότητά τους για παραγωγή μπαταριών.

«Το επιχειρηματικό μας μοντέλο βασίζεται στη συνεργασία με πελάτες για την ανάπτυξη έργων-ορόσημων», εξηγεί ο Xiao. «Για παράδειγμα, συνεργαζόμαστε με τη Dow για ανακάλυψη νέων υλικών μέσω του LQM· εκείνοι αναπτύσσουν την πνευματική ιδιοκτησία (IP) και τη μοιραζόμαστε. Εμείς επικεντρωνόμαστε στο σκέλος της μοντελοποίησης και αδειοδοτούμε τα αποτελέσματα στους συνεργάτες μας.»

Η SandboxAQ χρησιμοποιεί κβαντομηχανικές προσομοιώσεις για τον έλεγχο των ιδιοτήτων των υλικών όσον αφορά τις διαμοριακές δυνάμεις και κατόπιν πραγματοποιείται εσωτερική επικύρωση. Στη συνέχεια, δείγματα των υλικών αποστέλλονται στους συνεργάτες για περαιτέρω δοκιμές και ανάδραση, ώστε να βελτιστοποιηθεί η αναζήτηση του καλύτερου υποψηφίου.

Επόμενα βήματα στην έρευνα για ηλεκτρολύτες

Το πρώτο στάδιο εστιάζει στον καθορισμό του κατάλληλου υλικού για τον ηλεκτρολύτη, ενώ ιδιαίτερη σημασία έχει επίσης η διεπιφάνεια με την καθόδιο. Η επόμενη φάση της συνεργασίας θα επικεντρωθεί στις αντιδράσεις στην επιφάνεια του ηλεκτρολύτη.

Η εταιρεία έχει σαφή οδικό χάρτη με δύο στάδια: αρχικά, προβλέψεις κύκλων μπαταρίας εντός του τρέχοντος και του επόμενου έτους· στη συνέχεια, χρήση του εργαλείου AQvote, το οποίο συνδυάζει μορφολογικά και ηλεκτροχημικά δεδομένα για την ακριβή αναγνώριση κρίσιμων σημείων όπως το «knee point» στην καμπύλη εκφόρτισης.

Διαβάστε το αρχικό άρθρο εδώ.