Visualización de un enfoque basado en datos para el diseño aditivo para electrolitos en baterías LNMO, combinando modelado computacional, estructuras químicas y sistemas avanzados de baterías para soluciones de almacenamiento de energía mejoradas. Crédito: Laboratorio Nacional Chen Liao/Argonne.
Las baterías, como los humanos, requieren que la medicina funcione en su mejor momento. En la tecnología de la batería, este medicamento viene en forma de aditivos de electrolitos, que mejoran el rendimiento al formar interfaces estables, reducir la resistencia y aumentar la capacidad de energía, lo que resulta en una mejor eficiencia y longevidad.
Encontrar el aditivo de electrolitos adecuado para una batería es muy parecido a prescribir el medicamento adecuado. Con cientos de posibilidades a considerar, identificar el mejor aditivo para cada batería es un desafío debido a la gran cantidad de posibilidades y la naturaleza que requiere mucho tiempo de los métodos experimentales tradicionales.
Los investigadores del Laboratorio Nacional de Argonne del Departamento de Energía de los Estados Unidos (DOE) están utilizando modelos de aprendizaje automático para analizar aditivos de electrolitos conocidos y predecir combinaciones que podrían mejorar el rendimiento de la batería. Entrenaron modelos para pronosticar métricas clave de la batería, como la resistencia y la capacidad de energía, y aplicaron estos modelos para sugerir nuevas combinaciones aditivas para las pruebas.
Al combinar el aprendizaje automático con pruebas experimentales, los investigadores identificaron rápidamente aditivos de electrolitos efectivos, acelerando el proceso de descubrimiento en comparación con los métodos tradicionales, que son costosos y requieren mucho tiempo.
Esta investigación, ahora publicado En las comunicaciones de la naturaleza, se encontraron con éxito nuevas combinaciones aditivas que superaron a las existentes, que muestran la potencia de las técnicas basadas en datos para avanzar en la tecnología de la batería y allanar el camino para baterías de alto rendimiento y eficientes.
Receta para el rendimiento máximo
Lini0.5mn1.5o4 baterías, compuestas de litio, níquel, manganeso y oxígeno, conocidas como LNMO, operan a un alto voltaje y ofrecen ventajas significativas a las baterías tradicionales. Tienen una mayor capacidad de energía y eliminan la necesidad de cobalto, un material crítico asociado con las preocupaciones de la cadena de suministro.
Si bien el mayor voltaje de las baterías LNMO ofrece beneficios, también presenta desafíos significativos. Las baterías de teléfonos celulares y las celdas individuales de vehículos eléctricos suelen funcionar a bajo voltaje, alrededor de 4 voltios. Pero una batería LNMO que funciona a 5 voltios supera con creces el límite de estabilidad de cualquier electrolito conocido.
“El alto voltaje generalmente indica una alta densidad de energía”, explicó Chen Liao, químico de Argonne y científico senior de la Universidad de Chicago. “Pero también presenta numerosos desafíos porque el electrolito y el cátodo están en un estado altamente energizado que puede conducir a la descomposición. Funcionar a un voltaje tan alto puede ser una bendición y una maldición: los materiales de la batería deben ser excepcionalmente estables”.
La introducción de un aditivo de electrolitos a la batería LNMO podría ayudar a limitar la descomposición y mejorar el rendimiento de la batería. Los investigadores encontraron que el aditivo ideal se descompone durante los primeros ciclos de la batería, formando una interfaz estable en ambas interfaces de electrodos.
Esta capa ayuda a reducir la resistencia, lo que significa que se desperdicia menos energía y se produce menos degradación, lo que aumenta la salida de energía de la batería. Usar un aditivo también es un enfoque económico. Los procesos de fabricación de baterías son maduros y es poco probable que cambien, pero simplemente agregar un aditivo a la formulación de electrolitos es un cambio directo para adoptar.
“Piense en un aditivo como la medicina”, dijo Liao. “Hace que la batería mejore”.
Hacer conexiones con el aprendizaje automático
Para explorar de manera eficiente y asequible el reino extenso de las posibilidades químicas, los científicos están utilizando técnicas de aprendizaje automático para descubrir y optimizar los materiales. Estas técnicas permiten predecir las propiedades del material, diseñar estructuras de materiales con funcionalidades deseadas e identificar candidatos de materiales a través del análisis del conjunto de datos.
Liao, un experimentalista, se asoció con Hieu Doan, un científico computacional de Argonne, para desarrollar un modelo de aprendizaje automático para explorar posibles aditivos de electrolitos y determinar su efecto en el rendimiento de la batería LMNO.
“El objetivo final de este trabajo era evaluar rápidamente el mejor aditivo para el sistema”, dijo Doan. “Estos aditivos son moléculas orgánicas con diferentes estructuras químicas, por lo que vienen en diferentes formas y tamaño. El desafío era cómo mirar su estructura química y predecir su rendimiento”.
Para desarrollar este modelo, necesitaban recopilar datos iniciales, pero estaban limitados por el número de experimentos que razonablemente podrían realizarse. En cambio, se centraron en crear un conjunto de datos inicial diverso de 28 aditivos que incorporaron varias funcionalidades para capacitar al modelo de manera efectiva.
Este enfoque aseguró que el modelo pudiera reconocer varias funcionalidades durante el entrenamiento, lo que le permite hacer predicciones precisas en el futuro. Para desarrollar un modelo de aprendizaje automático capaz de predecir el rendimiento de los aditivos de la batería, los investigadores necesitaban “mapear” la estructura química de cada aditivo a su rendimiento dentro del sistema de baterías. Lograron este mapeo examinando las características de las moléculas aditivas, conocidas como descriptores.
Doan explicó: “¿Cómo podemos describir estas moléculas para que podamos usar el descriptor para hacer una predicción sobre el rendimiento?” Comparó este proceso para inferir la profesión de alguien en función de su apariencia; Por ejemplo, se puede suponer que alguien que usa un traje y lleva un maletín como abogado.
“Según esa característica, usted hace esa conexión. Lo has visto antes de la experiencia y correlacas esas dos cosas juntos”, dijo Doan.
El modelo de aprendizaje automático está diseñado para seguir una lógica similar, estableciendo una conexión entre la estructura química de los aditivos y su impacto en el rendimiento de la batería, al igual que los humanos hacen conexiones basadas en la experiencia.
Predecir el éxito
Después de entrenar el modelo utilizando el conjunto de datos de 28 aditivos inicial, Liao y Doan pudieron predecir el rendimiento de 125 nuevas combinaciones de aditivos. El modelo identificó con éxito varios aditivos prometedores que mejoraron el rendimiento de la batería, superando a los aditivos de los datos iniciales.
Este método no solo ahorró tiempo y recursos, sino que también demostró cómo el aprendizaje automático puede acelerar el descubrimiento de nuevos materiales con las propiedades deseadas para mejores baterías. Al evitar 125 experimentos tradicionales, que habrían tomado aproximadamente de cuatro a seis meses y requerido costos significativos de equipos, los investigadores mostraron cómo el aprendizaje automático puede racionalizar el descubrimiento utilizando un pequeño conjunto de datos experimental.
“La idea tradicional es que necesita muchos datos para entrenar un modelo de aprendizaje automático”, dijo Doan. “Pero nuestro trabajo muestra que no necesita muchos datos para entrenar un modelo de predicción preciso. Solo necesita un buen conjunto de datos para hacerlo correctamente”.
Al encontrar la “prescripción” correcta a través del aprendizaje automático, los científicos pueden garantizar que las baterías funcionen en su mejor momento, allanando el camino para soluciones energéticas más eficientes y duraderas.
Más información: Bingning Wang et al, diseño de datos de aditivos de electrolitos que admiten 5 V Lini0.5mn1.5o4 electrodos positivos, comunicaciones de la naturaleza (2025). Doi: 10.1038/s41467-025-57961-w
Proporcionado por el Laboratorio Nacional de Argonne
Cita: AI prescribe nuevas combinaciones de aditivos de electrolitos para un rendimiento mejorado de la batería (2025, 27 de agosto) recuperado el 27 de agosto de 2025 de https://techxplore.com/news/2025-08-ai-electrolyte-aditive-Combinations-Battery.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
