Un miglioramento del 13% rispetto alla cella della batteria agli ioni di litio attualmente più performante. È quanto sono riusciti a ottenere i ricercatori della Carnegie Mellon utilizzando un sistema robotico per eseguire dozzine di esperimenti per generare elettroliti che consentono alle batterie di caricarsi più velocemente, affrontando uno dei principali ostacoli all’adozione diffusa di veicoli elettrici.
Il sistema di pompe, valvole e strumenti automatizzati, noto come Clio, ha miscelato insieme vari solventi, sali e altre sostanze chimiche; quindi, ha misurato le prestazioni della soluzione su benchmark critici della batteria. Questi risultati sono stati poi inseriti in un sistema di apprendimento automatico, noto come Dragonfly, che ha utilizzato i dati per proporre diverse combinazioni chimiche.
Alla fine, il sistema ha prodotto sei soluzioni elettrolitiche che hanno superato quella standard quando i ricercatori della Carnegie le hanno collocate in piccole celle di prova, secondo quanto riportato in un nuovo articolo su Nature Communications. Il migliore ha mostrato un miglioramento del 13%.
Il sistema Clio
Alla ricerca di elettroliti migliori
Lo sviluppo di elettroliti migliori è fondamentale per migliorare le prestazioni, la sicurezza e il costo delle batterie. Le batterie a ricarica più rapida sono particolarmente importanti per rendere le auto e i camion elettrici più convenienti, in quanto possono alleviare il fastidio dei lunghi tempi nelle stazioni di ricarica.
Negli ultimi anni, i laboratori di ricerca hanno accoppiato sistemi automatizzati con un software di apprendimento automatico che identifica modelli di dati da migliorare in attività designate, per sviluppare materiali ideali per particolari applicazioni. Gli scienziati hanno sfruttato questi metodi per identificare materiali promettenti per elettroliti a stato solido, celle solari fotovoltaiche e catalizzatori elettrochimici. Diverse startup sono emerse per commercializzare anche l’approccio, tra cui Chemify e Aionics.
Nel caso degli ingredienti elettrolitici, “puoi mescolarli e abbinarli in miliardi di modi”, afferma Venkat Viswanathan, professore associato alla Carnegie Mellon, co-autore del documento nature Communications e cofondatore e capo scienziato di Aionics. Viswanathan ha collaborato con Jay Whitacre, direttore del Wilton E. Scott Institute for Energy Innovation dell’università e co-ricercatore principale del progetto, insieme ad altri ricercatori della Carnegie per esplorare come la robotica e l’apprendimento automatico potrebbero aiutare.
La promessa di un sistema come Clio e Dragonfly è che può funzionare rapidamente attraverso una gamma più ampia di possibilità rispetto ai ricercatori umani e applicare ciò che apprende in modo sistematico.
Dragonfly non è dotato di informazioni sulla chimica o sulle batterie, quindi non porta molti pregiudizi ai suoi suggerimenti oltre al fatto che i ricercatori selezionano la prima miscela, dice Viswanathan. Da lì, attraversa un’ampia varietà di combinazioni, da lievi raffinatezze dell’originale a suggerimenti completamente fuori dagli schemi, concentrandosi su un mix di ingredienti che offre risultati sempre migliori rispetto al suo obiettivo programmato.
AI e batterie, i vantaggi dell’apprendimento automatico
Nel caso degli esperimenti sulle batterie, il team della Carnegie Mellon era alla ricerca di un elettrolita che accelerasse il tempo di ricarica delle batterie. La soluzione elettrolitica aiuta a trasportare ioni – o atomi con una carica netta dovuta alla perdita o al guadagno di un elettrone – tra i due elettrodi in una batteria. Durante la scarica, gli ioni di litio vengono creati all’elettrodo negativo, noto come anodo, e fluiscono attraverso la soluzione verso l’elettrodo positivo, il catodo, dove guadagnano elettroni. Durante la ricarica, tale processo viene invertito.
Una delle metriche chiave che Clio ha misurato e cercato di ottimizzare è la “conduttività ionica”, ovvero la facilità con cui gli ioni fluiscono attraverso la soluzione, che influisce direttamente sulla velocità con cui una batteria può ricaricarsi.
Ma un’ulteriore sfida per gli elettroliti commerciali è che devono funzionare bene attraverso una varietà di misure, tra cui cicli di vita totali, potenza e sicurezza, e i miglioramenti in un’area possono spesso venire a scapito di altri.
Nel lavoro successivo, i ricercatori della Carnegie Mellon sperano di accelerare gli esperimenti robotici, perfezionare gli strumenti di apprendimento automatico ed eseguire esperimenti con più obiettivi, piuttosto che un singolo obiettivo di prestazioni.
La grande speranza è che l’automazione e l’apprendimento automatico possano accelerare la scoperta della prossima serie di materiali rivoluzionari, contribuendo a fornire batterie migliori, fotovoltaico più efficiente e altro ancora mentre il mondo corre per ridurre le emissioni climatiche.
