Los científicos usaron AI para modelar cómo los iones de zinc y cloruro (esferas grises y verdes) a diferentes concentraciones interactuarían y se moverían a través del agua (oxígeno e hidrógeno representados por esferas rojas y blancas) en un electrolito de batería acuosa. El modelado asistido por IA reveló que una alta concentración de solución salina de cloruro de zinc estabiliza el agua en el electrolito mientras mantiene la conductividad suficientemente alta, características que son esenciales para el rendimiento de la batería de iones de zinc acuosos. Crédito: Laboratorio Nacional Chuntian Cao /Brookhaven
Un equipo de científicos de la Universidad Nacional del Departamento de Energía de EE. UU. (DOE) Brookhaven University y Stony Brook University (SBU) utilizó inteligencia artificial (IA) para ayudarlos a comprender cómo funcionan las baterías de iones de zinc, y potencialmente cómo hacerlas más eficientes para futuras necesidades de almacenamiento de energía.
Su estudio, publicado en la revista Prx Energy, se centró en el electrolito a base de agua que transporta iones de zinc cargados eléctricamente a través de la batería recargable durante la carga y el uso. El modelo AI aprovechó cómo esos iones cargados interactúan con agua bajo concentraciones variables de cloruro de zinc (ZnCl2), una forma de sal con alta solubilidad en el agua.
Los hallazgos de la IA, validados por experimentos en la fuente de luz National Synchrotron Light de Brookhaven Lab (NSLS-II), muestran por qué las altas concentraciones de sal producen el mejor rendimiento de la batería.
“La IA es una herramienta importante que puede facilitar el avance de la ciencia”, dijo Esther Takeuchi, presidenta del Departamento de Ciencias Interdisciplinarias (ISD) en Brookhaven Lab y el presidente de William y Jane Knapp en energía y medio ambiente en SBU. “La investigación realizada por este equipo proporciona un ejemplo de las ideas que se pueden obtener combinando el experimento y la teoría mejorada por el uso de IA”.
AMY MARSCHILOK, Gerente de la División de Almacenamiento de Energía de ISD y profesora de química en SBU, agregó: “Este trabajo podría ayudar a avanzar en el desarrollo de baterías robustas de iones de zinc para el almacenamiento de energía a gran escala. Estas baterías son particularmente atractivas para las aplicaciones de energía renaciente porque el electrolito basado en el agua es inherentemente seguro y los materiales utilizados para hacerlas son abundantes y asequibles”. “.
Agua en sal
Al igual que todas las baterías, las baterías de iones de zinc convierten la energía de las reacciones químicas en energía eléctrica, explicó Deyu Lu, un científico del personal en el grupo de teoría y cálculo del Centro de Nanomateriales Funcionales de Brookhaven Lab que dirigió esta investigación.
“Sin embargo, las reacciones químicas competidoras, como las que dividen las moléculas de agua y producen gas de hidrógeno, pueden degradar severamente el rendimiento de la batería”, dijo. “Si alguna de esta energía se usa en las reacciones laterales, pierde la energía que se supone que funciona”.
Lu y sus colaboradores sabían que estudios anteriores habían encontrado que la división del agua se suprime en un electrolito especial de cloruro de zinc donde la concentración de sal es tan alta que se conoce como “agua en sal”, en contraste con los electrolitos más comunes de “sal en agua”. Para averiguar por qué la versión de alta extracción era mejor, querían capturar los detalles a escala atómica de cómo se mueven e interactúan los iones de zinc y cloruro con el agua, y cómo eso afecta la conductividad del electrolito, a diferentes concentraciones de sal.
Pero ver estos detalles a escala atómica es extremadamente desafiante. Entonces, el equipo recurrió a una forma de modelado por computadora mejorada por AI Vision.
Desarrollo de la visión de IA
“Ver estos detalles complejos sería imposible utilizando técnicas de computación convencionales”, dijo Lu. “Los métodos de simulación convencionales no pueden manejar la gran cantidad de interacciones atómicas con la precisión deseada para capturar las escalas de tiempo sobre las cuales dichos sistemas evolucionan. Tales cálculos requieren una enorme potencia informática, lo que fácilmente tomaría muchos años”.
Entonces, en lugar de realizar todos los cálculos complejos que serían necesarios para simular completamente las interacciones de los iones con el agua, el equipo utilizó simulaciones convencionales para generar un pequeño número de datos de simulación, conocidos como un “conjunto de entrenamiento”, y lo alimentó a un programa de IA. Utilizaron recursos informáticos en la teoría y la instalación computacional en CFN, una instalación de usuario de la Oficina de Ciencias del DOE y las instalaciones de datos y informática científicas de Brookhaven Lab dentro de la Dirección de Ciencias de la Computación y Datos (CDS).
“Necesitábamos un poco de datos recopilados calculando un pequeño número de interacciones para iniciar el proceso de capacitación de un modelo inicial”, dijo el CAO Chuntian de CDS, primer autor en el documento. “Luego, ejecutamos el modelo para generar más datos para continuar mejorando las predicciones del modelo”.
En cada paso, los científicos realizaron sus resultados a través de un conjunto de modelos de aprendizaje automático (ML) para evaluar si las predicciones eran precisas. Lu comparó el proceso para llamar a varios amigos para ayudar a responder preguntas sobre “quién quiere ser millonario”, un programa de juegos de televisión una vez popular. “Si todos los amigos/modelos están de acuerdo, entonces parece que tiene una buena posibilidad de que tenga una predicción precisa”, señaló.
Pero, como señaló Cao, “cuando encontramos que algunas predicciones tienen desviaciones muy grandes en el conjunto de modelos ML, volvemos a hacer los cálculos convencionales para obtener la respuesta correcta. Estos nuevos puntos de datos corregidos se agregan a los datos de entrenamiento para refinar aún más el modelo ML”.
Este proceso iterativo de “aprendizaje activo” minimizó el número de cálculos que debían ejecutarse de una manera computacionalmente costosa para completar la capacitación del modelo ML. Y, después de varias rondas de entrenamiento, el modelo AI podría hacer predicciones sobre un número mucho mayor de interacciones atómicas en escalas de tiempo cada vez más largas.
“Chuntian realizó las simulaciones con varios miles de átomos, un sistema muy grande, para cientos de nanosegundos, una tarea imposible utilizando los métodos convencionales. AI/ML es realmente un cambio de juego en el estudio de materiales complejos”, dijo Lu.
Agua estabilizadora
El modelo de IA de los científicos de Brookhaven y Stony Brook reveló que las altas concentraciones de cloruro de zinc juegan el papel clave en la estabilización de las moléculas de agua, protegiéndolas de la división.
En agua pura, el átomo de oxígeno en una molécula de agua (H2O) forma dos llamados enlaces de hidrógeno con átomos de hidrógeno en moléculas de agua vecinas. Estos enlaces de hidrógeno conectan las moléculas de agua en una red continua que hace que las moléculas de agua sean más reactivas y susceptibles a la división, dijo Lu.
El equipo descubrió que el número de enlaces de hidrógeno cae rápidamente a medida que aumenta la concentración de cloruro de zinc, lo que interrumpe la red de enlaces de hidrógeno. En el régimen de agua en sal, solo se quedan alrededor del 20% de los enlaces de hidrógeno.
“La estabilización de las moléculas de agua es un componente esencial de por qué los electrolitos de agua en sal en sal en alta concentración funcionan tan bien”, dijo Cao.
Zinc shuttling
Pero la estabilidad electroquímica no es el único beneficio de los electrolitos de agua en sal revelados por este estudio. El modelo AI también proporciona una explicación de cómo la alta concentración de sal mantiene el transporte eficiente de iones de zinc.
“Cuando su batería está en bicicleta, su ion va y viene entre los electrodos. Desea que estos iones sean móviles; no desea que se bloqueen”, señaló Lu.
El modelo de IA reveló que a concentraciones muy bajas, los iones de zinc y cloruro se separan entre sí y se mueven a través del electrolito de forma independiente en direcciones opuestas, debido a sus cargas opuestas, explicó Lu. A concentraciones más altas, los iones y las moléculas de agua comienzan a formar grupos con una carga negativa neta. Esta carga negativa general hace que estos grupos de zinc se muevan en la dirección incorrecta en comparación con la dirección preferida para los iones de zinc cargados positivamente. “Esto es realmente malo”, dijo Lu.
Afortunadamente, a una concentración muy alta, algunos agregados de zinc, cloruro y agua crecen muy grandes, “como los icebergs”, dijo Lu. Aunque todavía se cargan negativamente, hay muy pocos de estos grupos grandes, por lo que contribuyen poco a la conductividad. Pero los grupos más pequeños que quedan en la solución adquieren una carga positiva general y pueden deslizarse alrededor de los grandes grupos para proporcionar una conductividad lo suficientemente alta como para que la batería funcione.
Validación de experimentos
Los científicos no confiaron completamente en el acuerdo entre los modelos de ML para evaluar sus resultados. También hicieron experimentos del mundo real para estudiar las estructuras atómicas y midieron la conductividad eléctrica de las muestras de electrolitos.
En NSLS-II, una instalación de usuarios de la Oficina de Ciencias del DOE, los científicos usaron rayos X en la línea de haz de la función de distribución de pares (PDF) para generar mediciones de la distribución de distancias entre pares de átomos en el material.
“La línea de haz PDF proporciona una plataforma poderosa con energías de rayos X ajustables que dan una imagen directa de cómo están espaciados los átomos”, dijo la coautora del estudio, Milinda Abeykoon, la científica principal de la línea de vigas.
“Este mapeo de rayos X de alta resolución ayuda a los investigadores a explorar estructuras que van desde unos pocos átomos hasta patrones mucho más grandes, lo que es especialmente útil para estudiar materiales complejos como los que se encuentran en las baterías. Es una excelente manera de verificar y validar las estructuras a nivel atómico predicho por los métodos de aprendizaje automático”.
El coautor del estudio, Shan Yan de ISD, dijo: “Estas mediciones nos proporcionan información sobre la estructura de solvatación de los iones, lo que puede ser muy importante para comprender cómo funciona el electrolito”.
Las predicciones basadas en IA acordaron bien los experimentos del mundo real. “Entonces, estamos seguros de que el modelo es confiable”, dijo Cao.
“Este trabajo demuestra el gran impacto que la inteligencia artificial y el aprendizaje automático pueden tener para comprender la química de los materiales y proporciona pautas para optimizar los electrolitos de la batería”, dijo Lu. “Representa una fuerte colaboración de múltiples departamentos de laboratorio de Brookhaven y destaca la fortaleza única de Brookhaven Lab para realizar una investigación interdisciplinaria que aprovecha las grandes instalaciones de usuarios de la Oficina de Ciencias del DOE”.
Además, Marschilok señaló el importante acoplamiento cercano de la teoría y el experimento, así como las contribuciones de los estudiantes graduados de SBU que ayudaron a preparar muestras, realizar experimentos y analizar los datos.
“Trabajar de la mano con estos estudiantes graduados y todos los científicos de Brookhaven nos dio una gran oportunidad para obtener la mejor calidad de los datos y el análisis experimentales, y para capacitar a la fuerza laboral de próxima generación en el uso de estas técnicas avanzadas”, dijo.
Más información: Chuntian Cao et al, resolviendo la estructura de solvatación y las propiedades de transporte de electrolitos de zinc acuosos de sal en agua a agua en sal utilizando el potencial de red neuronal, PRX Energy (2025). Doi: 10.1103/prxEnergy.4.023004
Proporcionado por el Laboratorio Nacional de Brookhaven
Cita: los científicos usan AI y Vision de rayos X para obtener información sobre el electrolito de la batería de iones de zinc (2025, 22 de mayo) Recuperado el 22 de mayo de 2025 de https://techxplore.com/news/2025-05-scientists-ai-ray-vision-gan.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.
