Análisis de IA basado en Big Data de SSE de hidruro. Crédito: Angewandte Chemie International Edition (2025). Doi: 10.1002/anie.202506573
Los científicos corren contra el tiempo para tratar de crear fuentes de energía revolucionarias y sostenibles (como baterías de estado sólido) para combatir el cambio climático. Sin embargo, esta carrera se parece más a un maratón, ya que los enfoques convencionales son de naturaleza de prueba y error, generalmente se centran en probar materiales individuales y establecer vías una por una.
Para llevarnos a la línea de meta más rápido, los investigadores de la Universidad de Tohoku desarrollaron un marco de IA basado en datos que señala posibles candidatos de electrolitos de estado sólido (SSE) que podrían ser “el” para crear la solución de energía sostenible ideal.
Este modelo no solo selecciona candidatos óptimos, sino que también puede predecir cómo ocurrirá la reacción y por qué este candidato es una buena opción, lo que proporciona ideas interesantes sobre posibles mecanismos y brinda a los investigadores una gran ventaja sin siquiera pisar el laboratorio.
Estos hallazgos se publicaron en Angewandte Chemie International Edition el 17 de abril de 2025.
“El modelo esencialmente hace todo el trabajo ocupado de prueba y error para nosotros”, explica el profesor Hao Li del Instituto Avanzado de Investigación de Materiales. “Se basa en una gran base de datos de estudios anteriores para buscar en todas las opciones potenciales y encontrar el mejor candidato de SSE”.
El método es un marco de IA basado en datos pionero que integra modelos de idiomas grandes (LLM), metad, regresión lineal múltiple, algoritmo genético y análisis de evaluación comparativa de teoría-experiencia. Esencialmente, los modelos predictivos se basan en datos experimentales y computacionales. La investigación asistida por computación brinda a los investigadores un liderazgo sólido para el cual Avenue podría tener el resultado más exitoso.
Barreras de migración catiónicas experimentales y simuladas de SSE de hidruro. Crédito: Angewandte Chemie International Edition (2025). Doi: 10.1002/anie.202506573 Análisis de correlación entre la migración EA de SSE de hidruro y descriptores teóricos. Crédito: Angewandte Chemie International Edition (2025). Doi: 10.1002/anie.202506573
Un objetivo de este estudio fue comprender las relaciones estructura-rendimiento de los SSE. El modelo predice la energía de activación, identifica estructuras de cristal estables y mejora el flujo de trabajo de los científicos en general. Sus hallazgos demuestran que Ab Initio Metad representa una técnica computacional óptima que muestra altos niveles de acuerdo con datos experimentales para SSE complejos de hidruro.
Además, identificaron un nuevo mecanismo de migración de iones “de dos pasos” en SSE de hidruro monovalentes y divalentes que surgen de la incorporación de grupos moleculares. El análisis de características de apalancamiento combinado con regresión lineal múltiple, construyeron con éxito modelos predictivos precisos para la evaluación rápida del rendimiento de Hydruro SSE.
En particular, el marco propuesto también permite una predicción precisa de las estructuras candidatas sin depender de las entradas experimentales. Colectivamente, este estudio proporciona ideas transformadoras y metodologías avanzadas para el diseño eficiente y la optimización de las baterías de estado sólido de próxima generación, contribuyendo significativamente a soluciones de energía sostenibles.
Los investigadores planean ampliar la aplicación de este marco a través de diversas familias de electrolitos. También prevén un uso para herramientas de IA generativas que pueden explorar las vías de migración de iones y los mecanismos de reacción, mejorando así la capacidad predictiva de la plataforma.
Los resultados clave experimentales y computacionales están disponibles en la base de datos dinámica de electrolitos de estado sólido (DDSE) desarrollado por el equipo de Hao Li, la base de datos de electrolitos de estado sólido más grande informada hasta la fecha.
Más información: Qian Wang et al, desentrañando la complejidad de los electrolitos de hidruro divalentes en baterías de estado sólido a través de un marco de datos con un modelo de lenguaje grande, Angewandte Chemie International Edition (2025). Doi: 10.1002/anie.202506573
Proporcionado por la Universidad de Tohoku
Cita: ¿Cómo podemos optimizar las baterías de estado sólido? Intente preguntar a AI (2025, 30 de abril) recuperado el 30 de abril de 2025 de https://techxplore.com/news/2025-04-optimize-solid-state-batteries-ai.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.
