El aprendizaje automático acelera una etapa clave en la búsqueda de materiales para recubrimientos de electrolitos protectores para baterías de estado sólido, una tecnología de almacenamiento de energía prometedora para vehículos eléctricos más seguros con un alcance más largo. Crédito: Liubov Savenkova.
Investigadores del Instituto Skoltech y Airi han demostrado cómo el aprendizaje automático puede acelerar el desarrollo de nuevos materiales para baterías de iones de litio en estado sólido. Estas son una tecnología de almacenamiento de energía emergente que teóricamente podría reemplazar las baterías convencionales de iones de litio en vehículos eléctricos y productos electrónicos portátiles, reduciendo los riesgos de incendio y extendiendo la duración de la batería.
En el estudio, publicado en NPJ Computational Materials, las redes neuronales demostraron ser capaces de identificar materiales prometedores para el componente clave de estas baterías avanzadas, el electrolito sólido, así como para sus recubrimientos protectores.
Al igual que su contraparte convencional, la batería de estado sólido incorpora un electrolito, a través del cual los iones que transportan la carga eléctrica viajan de un electrodo a otro. Mientras que en una batería convencional, el electrolito es una solución líquida, su análogo de estado sólido, como su nombre indica, se basa en electrolitos sólidos, como la cerámica, para realizar iones de litio.
Hasta ahora, las baterías de estado sólido no han sido adoptadas por fabricantes de automóviles, pero los desarrolladores de EV buscan capitalizar la tecnología antes de los competidores. El nuevo tipo de almacenamiento de energía podría mejorar la seguridad contra incendios y aumentar el rango EV hasta en un 50%.
El problema es que ninguno de los electrolitos sólidos disponibles actualmente cumple con todos los requisitos técnicos. Entonces la búsqueda de nuevos materiales continúa.
“Demostramos que las redes neuronales Graph pueden identificar nuevos materiales de batería de estado sólido con alta movilidad iónica y hacer órdenes de magnitud más rápidas que los métodos de química cuántica tradicionales. Esto podría acelerar el desarrollo de nuevos materiales de batería, como mostramos al predecir una serie de recubrimientos protectores para electrolitos de batería de estado sólido”, comentó el autor principal del estudio, Artem Dembitskiy, un ph.D.. Estudiante del Programa de Ciencia e Ingeniería de Materiales de Skoltech, un pasante de investigación At Skoltech Energy y un científico de investigación junior en el Instituto Airi.
El coautor del estudio, el profesor asistente Dmitry Aksyonov de Skoltech Energy, explicó el papel de los recubrimientos protectores: “El litio metálico del ánodo es un agente reductor fuerte, por lo que casi todos los electrolitos existentes sufren una reducción en contacto con él.
“Puede evitar esto introduciendo dos recubrimientos protectores que estén estables en contacto con el ánodo y el electrolito y el cátodo y el electrolito”.
Los algoritmos de aprendizaje automático permiten acelerar el cálculo de la conductividad iónica, una propiedad clave tanto para electrolitos como para recubrimientos protectores. Es una de las características más desafiantes computacionalmente calculadas en la detección de los materiales candidatos.
Para los recubrimientos protectores, la lista de propiedades que se verifican en varias etapas de la selección de materiales incluyen estabilidad termodinámica, conductividad electrónica, estabilidad electroquímica, compatibilidad con materiales de electrodos y electrolitos, conductividad iónica, etc. Tal evaluación ocurre en etapas y reduce gradualmente la lista de quizás decenas de miles de opciones iniciales para solo unos pocos materiales.
Los autores del estudio utilizaron su enfoque acelerado de aprendizaje automático para buscar materiales de recubrimiento para proteger uno de los electrolitos de batería de estado sólido más prometedores: LI10GEP2S12.
La búsqueda identificó múltiples materiales de recubrimiento prometedores, entre ellos los compuestos Li3alf6 y Li2ZnCl4.
Más información: Artem D. Dembitskiy et al, Benchmarking Machine Learning Models para predecir la migración de iones de litio, NPJ Computational Materials (2025). Doi: 10.1038/s41524-025-01571-z
Proporcionado por el Instituto de Ciencia y Tecnología Skolkovo
Cita: las redes neuronales aceleran la búsqueda de materiales de batería de estado sólido para automóviles eléctricos más seguros con un rango extendido (2025, 5 de junio) Recuperado el 5 de junio de 2025 de https://techxplore.com/news/2025-06-neural-networks-solid-state-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.
