Contexto da pesquisa
Recentes avanços em machine learning estão sendo aplicados em pesquisas sobre baterias de íons de zinco, visando melhorar sua eficiência e segurança. Um estudo conduzido pelo Laboratório Nacional de Brookhaven e pela Universidade Stony Brook utiliza inteligência artificial (AI) para modelar a interação entre íons de zinco e cloreto em eletrólitos aquosos.
Método proposto
A pesquisa, publicada na revista PRX Energy, empregou um modelo que combina simulações convencionais com aprendizado de máquina. O objetivo foi compreender como esses íons se comportam em diferentes concentrações de cloreto de zinco (ZnCl2), um sal altamente solúvel em água.
“AI é uma ferramenta importante que pode facilitar o avanço da ciência”
(“AI is an important tool that can facilitate the advancement of science.”)— Esther Takeuchi, Chefe do Departamento de Ciência Interdisciplinar, Brookhaven Lab
Resultados e impacto
Os resultados mostraram que altas concentrações de cloreto de zinco estabilizam as moléculas de água, resultando em melhor condutividade e desempenho das baterias. O modelo de AI foi capaz de simular interações atômicas complexas, medindo como os íons se movem através do eletrólito, o que seria inviável usando métodos tradicionais. Dentre as confirmações experimentais, a equipe utilizou o Synchrotron Light Source II para validar as previsões feitas pelo modelo.
“Essas medições fornecem informações sobre a estrutura de solvatação dos íons, que é crucial para entender como o eletrólito funciona”
(“These measurements provide us with information about the solvation structure of ions, which can be very important to understanding how the electrolyte functions.”)— Shan Yan, ISD
Este trabalho reafirma a importância da colaboração interdisciplinar e coloca a teoria em prática, otimizando a pesquisa em eletrólitos para baterias com a combinação de experimentos e técnicas de machine learning, o que promete avançar o desenvolvimento de baterias seguras e eficientes.
Próximos passos incluem aplicações potenciais em sistemas de armazenamento de energia em larga escala, que se beneficiariam de eletrólitos aquosos seguros e materiais abundantes.
Fonte: (TechXplore – Machine Learning & AI)
