Индийские исследователи разработали алгоритм на базе глубокого обучения, способный с высокой точностью прогнозировать рабочее напряжение материалов для аккумуляторных батарей. Технология создана для ускорения производства натрий-ионных аккумуляторов, которые рассматриваются как более доступная альтернатива доминирующим на рынке литиевым элементам питания. Результаты работы сотрудников Индийско-корейского научно-технологического центра (IKST) и Исследовательского института устойчивой энергетики (RISE) опубликованы в научном журнале Small Methods.
Повсеместное распространение электромобилей и портативной электроники привело к резкому росту спроса на литий-ионные батареи, однако сам литий остается относительно редким и дорогим ресурсом. Натрий распространен в природе и стоит значительно дешевле, но разработка катодных материалов на его основе до сих пор шла медленно. Производители сталкивались с высокими издержками при поиске составов, сочетающих стабильность, высокое напряжение и долговечность. В настоящее время натриевые батареи уступают литиевым аналогам по плотности энергии, выигрывая в себестоимости.
Для поиска оптимальных компонентов авторы исследования Г.П. Дас и С. Бхаттачарджи применили нейросеть. Программа прошла обучение на базе данных Materials Project, содержащей информацию о более чем 4300 материалах. Каждому соединению были присвоены сотни химических и физических параметров. В результате искусственный интеллект научился за доли секунды вычислять среднее напряжение новых соединений. Использование алгоритма позволяет отказаться от длительных квантово-механических симуляций, при этом средняя абсолютная погрешность модели на незнакомых данных составляет 0,24 вольта.
Исследователи протестировали нейросеть в качестве инструмента для проектирования новых элементов. Сосредоточившись на слоистых оксидных катодах, они предложили серию соединений натрия со смесью переходных металлов, обладающих заданным напряжением и расчетной стабильностью. Проверка двух перспективных образцов показала, что прогнозы ИИ расходятся с результатами традиционных вычислений на основе теории функционала плотности всего на 1–2 процента. Отклонение от экспериментальных данных коммерческих материалов составило в среднем 0,05 вольта.
Комбинация машинного обучения с выборочными проверками формирует измененный алгоритм работы химиков – первичное отсеивание кандидатов с последующей валидацией. Данный подход снижает время и финансовые затраты на поиск подходящих катодных материалов.
Разработчики ожидают, что интеграция программных вычислений в процесс проектирования ускорит внедрение натрий-ионных технологий в промышленность. Сферами применения новых аккумуляторов станут стационарные сетевые хранилища, электротранспорт и системы интеграции возобновляемых источников энергии. Авторы технологии рассчитывают на скорую коммерциализацию продукта и его влияние на мировой рынок накопителей энергии.