Machine learning combina aditivos para otimizar desempenho de baterias

São Paulo — InkDesign News —

A combinação de inteligência artificial (IA) e machine learning promete revolucionar a pesquisa em baterias. Um recente estudo do Laboratório Nacional Argonne, vinculado ao Departamento de Energia dos EUA, utilizou modelos de aprendizado de máquina para encontrar aditivos eletrolíticos que melhoram o desempenho de baterias de alta voltagem.

Contexto da pesquisa

Baterias de LiNi0.5Mn1.5O4 (LNMO) oferecem vantagens significativas em relação às tradicionais, com maior capacidade energética e a eliminação do cobalto, material crítico com preocupações de cadeia de suprimentos. No entanto, a operação a 5 volts apresenta desafios, pois excede os limites de estabilidade conhecidos dos eletrólitos.

Método proposto

Os pesquisadores, liderados por Chen Liao, utilizaram um modelo de machine learning para prever o desempenho de aditivos eletrolíticos. A abordagem envolveu criar um conjunto inicial diverso com 28 aditivos e seus respectivos desempenhos em baterias. Os dados foram mapeados através de descritores químicos, permitindo prever o desempenho de 125 novas combinações.

“O objetivo final deste trabalho era examinar rapidamente os melhores aditivos para o sistema”
(“The ultimate goal of this work was to quickly screen for the best additive for the system.”)

— Hieu Doan, Cientista Computacional, Argonne National Laboratory

Resultados e impacto

A aplicação do modelo resultou na identificação de aditivos que superaram os existentes, demonstrando o valor das técnicas orientadas por dados na pesquisa de tecnologia de baterias. O processo economizou tempo e recursos, evitando 125 experimentos tradicionais que poderiam levar de quatro a seis meses.

“Tradicionalmente, acredita-se que você precisa de muitos dados para treinar um modelo de machine learning. Mas nosso trabalho mostra que você não precisa de muitos dados; apenas de um bom conjunto”
(“The traditional idea is that you need a lot of data to train a machine learning model. But our work shows that you don’t need a lot of data to train an accurate prediction model.”)

— Hieu Doan, Cientista Computacional, Argonne National Laboratory

Com essas descobertas, os pesquisadores abrem caminho para aplicações práticas e possíveis melhorias em eficiência energética, ampliando a vida útil das baterias e impulsionando o setor de armazenamento de energia.

Fonte: (TechXplore – Machine Learning & AI)