Crédito: Química de Materiales (2025). Doi: 10.1021/acs.chemmater.4c03196
Descubrir nuevos y potentes electrolitos es uno de los principales cuellos de botella en el diseño de baterías de próxima generación para vehículos eléctricos, teléfonos, computadoras portátiles y almacenamiento de energía a escala de cuadrícula.
Los electrolitos más estables no siempre son los más conductivos. Las baterías más eficientes no siempre son las más estables. Etcétera.
“Los electrodos tienen que satisfacer propiedades muy diferentes al mismo tiempo. Siempre entran en conflicto entre sí”, dijo Ritesh Kumar, un compañero postdoctoral de Eric y Wendy Schimdt en Science Postdoctoral que trabaja en el Laboratorio de Amanchukwu en la Escuela de Ingeniería Molecular de la Universidad de Chicago (Uchicago PME).
Kumar es el primer autor de un nuevo artículo publicado en Chemistry of Materials que está poniendo inteligencia artificial y aprendizaje automático en el trabajo. El documento describe un nuevo marco para encontrar moléculas que maximicen tres componentes que hacen un electrolito de batería ideal: conductividad iónica, estabilidad oxidativa y eficiencia coulombica.
Surgiendo de un conjunto de datos compilado de 250 trabajos de investigación que se remontan a los primeros días de investigación de baterías de iones de litio, el grupo usó AI para contar lo que llaman “escora” para diferentes moléculas. El Escore equilibra esos tres criterios, identificando moléculas que marcan las tres casillas.
“La molécula campeona en una propiedad no es la molécula campeona en otra”, dijo el investigador principal de Kumar, Uchicago PME Neubauer, Profesor Asistente de Ingeniería Molecular Chibueze Amanchukwu.
Ya han probado su proceso, utilizando IA para identificar una molécula que funciona, así como los mejores electrolitos en el mercado, un avance importante en un campo que a menudo se basa en la prueba y el error.
“La optimización de electrolitos es un proceso lento y desafiante en el que los investigadores frecuentemente recurren a prueba y error para equilibrar las propiedades competidoras en mezclas de múltiples componentes”, dijo el profesor asistente de ingeniería química y biológica de la Universidad Northwestern, Jeffrey López, que no participó en la investigación. “Estos tipos de marcos de investigación basados en datos son fundamentales para ayudar a acelerar el desarrollo de nuevos materiales de batería y aprovechar los avances en ciencia y automatización de laboratorio habilitadas para AI”.
La música de las baterías
Los puntos de inteligencia artificial prometen candidatos para que los científicos prueben en el laboratorio para que pierdan menos tiempo, energía y recursos en callejones sin salida y falsos comienzos. Los investigadores de UCHiCago PME ya están utilizando IA para ayudar a desarrollar tratamientos contra el cáncer, inmunoterapias, métodos de tratamiento de agua, materiales cuánticos y otras nuevas tecnologías.
Dado que el número teórico de moléculas que podrían hacer electrolitos de la batería es 1060, o uno con 60 cero después de él, la tecnología que puede marcar probablemente ganadores de miles de millones de tiendas le da a los investigadores una gran ventaja.
“Hubiera sido imposible para nosotros pasar por cientos de millones de compuestos para decir: ‘Oh, creo que deberíamos estudiar este'”, dijo Amanchukwu.
Amanchukwu comparó el uso de la IA en la investigación con escuchar música en línea.
Imagine una IA entrenada en el gusto musical de una persona en particular, la combinación de cualidades que se destinan a su propio escoro personal para buenas canciones. La nueva investigación de electrolitos creó el equivalente de una IA que puede pasar por una lista de reproducción existente, y la canción por canción, predice si a la persona le gustará. El siguiente paso será una IA que puede crear una lista de reproducción de canciones que cree que a la persona le gustará, un ajuste conceptual sutil pero importante.
El paso final, y el objetivo de la investigación de IA del laboratorio de Amanchukwu, será una IA que pueda escribir la música, o en este caso diseñar una nueva molécula, que cumpla con todos los parámetros dados.
Una peculiaridad de diseño gráfico
El equipo comenzó a curar los datos de entrenamiento para la IA a partir de 2020.
“El conjunto de datos actual tiene miles de electrolitos potenciales que extrajimos de la literatura que abarcó más de 50 años de investigación”, dijo Kumar.
Una de las razones por las que tienen que ingresar los datos manualmente no proviene de la química, sino del diseño gráfico.
Cuando los investigadores escriben documentos y revistas los exponen en formato de revista, los números que el equipo convierte en las fuerzas se encuentran típicamente en las imágenes. Estas son las ilustraciones JPEG o .png, gráficos, diagramas y otros gráficos que se ejecutan dentro del texto, pero no son parte del texto en sí.
La mayoría de los modelos de idiomas grandes, la capacitación con trabajos de investigación acaba de leer el texto, lo que significa que el equipo de Uchicago PME ingresará manualmente los datos de capacitación durante algún tiempo.
“Incluso los modelos de hoy realmente luchan por extraer datos de imágenes”, dijo Amanchukwu.
Aunque los datos de entrenamiento son masivos, es solo el primer paso.
“No quiero encontrar una molécula que ya estuviera en mis datos de entrenamiento”, dijo Amanchukwu. “Quiero buscar moléculas en espacios químicos muy diferentes. Así que probamos qué tan bien predicen estos modelos cuando ven una molécula que nunca antes habían visto”.
El equipo descubrió que cuando una molécula era químicamente similar a una de los datos de entrenamiento, la IA predijo lo bueno de un electrolito que haría con alta precisión. Luchó para marcar materiales desconocidos, marcando el próximo desafío del equipo en la búsqueda de usar IA para diseñar baterías de próxima generación.
Más información: Ritesh Kumar et al, Electrolytomics: un enfoque unificado de big data para el diseño y descubrimiento de electrolitos, Química de Materiales (2025). Doi: 10.1021/acs.chemmater.4c03196
Proporcionado por la Universidad de Chicago
Cita: Un enfoque de big data para electrolitos de batería de próxima generación (2025, 5 de mayo) Recuperado el 5 de mayo de 2025 de https://techxplore.com/news/2025-05-big-pacroach-gperation-battery- electrolytes.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.
