Plus de 13 fois plus rapide que le travail manuel, « robot + IA » découvre le meilleur électrolyte pour les batteries et accélère la recherche sur les matériaux

Éditeur | Ziluo

Le modèle traditionnel de recherche et développement de matériaux repose principalement sur des méthodes expérimentales « essais et erreurs » ou sur des découvertes accidentelles, et son processus de recherche et développement prend généralement 10 à 20 ans.

Les méthodes basées sur les données et basées sur l'apprentissage automatique (ML) peuvent accélérer la conception de nouveaux matériaux pour les technologies d'énergie propre. Cependant, son application pratique dans la recherche sur les matériaux reste limitée en raison du manque de bases de données expérimentales à grande échelle et de haute fidélité.

Récemment, l'équipe de recherche du Pacific Northwest National Laboratory et du Argonne National Laboratory aux États-Unis a conçu un flux de travail hautement automatisé qui combine une plate-forme expérimentale à haut débit avec l'algorithme d'apprentissage actif le plus avancé pour filtrer efficacement les anodes. solvant organique avec une solubilité optimale. L'objectif de cette recherche est d'améliorer les performances et la stabilité des systèmes de stockage d'énergie afin de promouvoir l'application généralisée des énergies renouvelables. Traditionnellement, la recherche impliquant des anolytes nécessite généralement de nombreuses expériences par essais et erreurs, ce qui prend du temps et demande beaucoup de travail. Et grâce à ce flux de travail automatisé, les chercheurs peuvent filtrer plus rapidement les binaires appropriés

En plus d'un flux de travail efficace conçu pour développer des batteries à flux redox hautes performances, ce robot à haut débit guidé par l'apprentissage automatique. La plateforme offre une approche puissante et polyvalente pour accélérer la découverte de matériaux fonctionnels.

Le critique a commenté : « Cette étude montre qu'une plate-forme robotique guidée par l'IA peut trouver efficacement des combinaisons non intuitives de solvants et d'électrolytes dans les applications énergétiques. Ce travail a des implications importantes pour la communauté des batteries. »

L'étude est intitulée « » « Une plateforme robotique intégrée à haut débit et une approche d'apprentissage actif pour la découverte accélérée de formulations d'électrolytes optimales » a été publiée sur « Nature Communications » le 29 mars 2024.

Lien papier : https://www.nature.com/articles/s41467-024-47070-5

Afin d'assurer le développement d'applications de technologies d'énergie propre et de parvenir à une décarbonation profonde de l'électricité, il est crucial , la conception des matériaux dotés de propriétés fonctionnelles ciblées pour les outils est essentielle au développement d'applications de technologies d'énergie propre et à la réalisation d'une décarbonation profonde de l'électricité. Les méthodes traditionnelles d’essais et d’erreurs sont coûteuses et prennent du temps, de sorte que la nature des outils de conception est coûteuse et permet de gagner du temps.

La solubilité des molécules actives redox est un facteur important dans la détermination de la densité énergétique des batteries à flux redox (RFB). Cependant, la découverte de matériaux électrolytiques est limitée par le manque d’ensembles de données expérimentales sur la solubilité, essentiels pour exploiter les approches basées sur les données.

Néanmoins, le développement de molécules organiques (ROM) rédox-actives hautement solubles pour les RFB non aqueux (NRFB) reste une tâche difficile en raison du manque de standardisation des systèmes de solvants organiques et de données expérimentales de solubilité pertinentes pour l'application.

En utilisant la plate-forme automatisée d'expériences à haut débit (HTE), la fiabilité et l'efficacité de la méthode de mesure de la solubilité « excès de soluté » peuvent être améliorées et la base de données de solubilité du NRFB peut être construite. Cependant, même avec les systèmes HTE, la diversité des mélanges de solvants potentiels rend le processus de criblage plus long et plus coûteux.

L'apprentissage actif (AL), et plus particulièrement l'optimisation bayésienne (BO), s'est avéré être une méthode fiable pour accélérer la recherche d'électrolytes nécessaires aux applications de stockage d'énergie. Par conséquent, un flux de travail expérimental en boucle fermée guidé par BO peut être utilisé pour minimiser l’exécution de HTE.

Plate-forme robotique expérimentale à haut débit guidée par ML

Ici, les chercheurs utilisent le 2,1,3-benzothiadiazole (BTZ), un anolyte haute performance, avec un degré élevé de densité de charge délocalisée et une bonne stabilité chimique, comme un modèle de ROM. L’accent est mis sur l’étude de sa solubilité dans divers solvants organiques, démontrant le potentiel d’une plate-forme robotique d’expériences à haut débit (HTE) guidée par apprentissage automatique pour accélérer la découverte des électrolytes NRFB.

Illustration : Diagramme schématique du processus de criblage d'électrolytes en boucle fermée basé sur une plate-forme expérimentale à haut débit guidée par l'apprentissage automatique (ML). (Source : article)

Plus précisément, les chercheurs ont conçu un flux de travail de criblage de solvants en boucle fermée composé de deux modules connectés, à savoir HTE et BO. Le module HTE effectue la préparation des échantillons et les mesures de solubilité via une plateforme robotique à haut débit. Le composant BO se compose d'un modèle de substitution et d'une fonction d'acquisition, qui agissent ensemble comme un oracle, faisant des prédictions de solubilité et suggérant de nouveaux solvants à évaluer.

Le flux de travail est illustré dans la figure ci-dessous, les étapes spécifiques sont :

• Tout d’abord, préparez la solution saturée de ROM et analysez l’échantillon via la plateforme HTE. Ensuite, les spectres de résonance magnétique nucléaire (RMN) de ces échantillons ont été acquis et les données spectrales ont été utilisées pour calculer la solubilité de la ROM.
• Cet ensemble de données est ensuite utilisé pour former un modèle de substitution utilisé pour prédire la solubilité des échantillons non testés dans l'espace de recherche dans le cadre du processus BO.
• La fonction d'acquisition est ensuite appliquée dans le cadre BO pour guider la sélection de nouveaux échantillons, guidant l'évaluation sur la base d'un équilibre des valeurs de solubilité prédites et des incertitudes associées (c'est-à-dire les scores de fitness), simplifiant ainsi la découverte et l'analyse des potentiels solvants.

Plus de 13 fois plus rapide que le traitement manuel des échantillons

La plate-forme automatisée peut préparer des solutions saturées avec un excès de soluté et des échantillons quantitatifs par résonance magnétique nucléaire (RMNq) avec une intervention manuelle minimale.

Avec le flux de travail HTE automatisé, la durée expérimentale totale pour effectuer les mesures de solubilité de 42 échantillons était d'environ 27 heures (~ 39 minutes/échantillon, moins de temps par échantillon lors de l'analyse de plus d'échantillons). C'est plus de 13 fois plus rapide que le traitement manuel des échantillons à l'aide de la méthode « excès de soluté » (environ 525 minutes par échantillon).

En plus de l'augmentation de vitesse fournie par le système HTE, la recherche a également mis l'accent sur le contrôle des conditions expérimentales, telles que la température (20°C) et le temps de stabilisation (8 heures), pour garantir une mesure précise de la solubilité du BTZ dans divers solvants organiques.

Illustration : Présentation de la plateforme automatisée d'expérimentation à haut débit (HTE). (Source : article)

Sur la base d'une revue de la littérature et d'une prise en compte des propriétés des solvants, les chercheurs ont répertorié 22 solvants candidats potentiels pour le BTZ. Ensuite, 2 079 solvants binaires supplémentaires ont été dénombrés en combinant ces 22 solvants uniques par paires, chacun avec 9 fractions volumiques différentes.

Tableau : Liste de 22 solvants organiques candidats et leurs propriétés physiques et chimiques. (Source : Papier)

La plateforme a identifié plusieurs solvants à partir d'une bibliothèque complète de plus de 2000 solvants potentiels avec un seuil de solubilité dépassant le prototype de molécule active rédox 2,1,3-benzothiadiazole 6,20M. Notamment, la stratégie globale nécessitait une évaluation de la solubilité pour moins de 10 % des médicaments candidats, soulignant l’efficacité de la nouvelle approche.

Illustration : Identification des électrolytes requis via l'optimisation bayésienne (BO). (Source : article)

Les résultats de la recherche montrent également que les mélanges de solvants binaires, notamment ceux incorporant du 1,4-dioxane (1,4-dioxane), contribuent à améliorer la solubilité du BTZ.

En résumé, l'étude démontre une plate-forme HTE guidée par ML pour le criblage d'électrolytes, où les prédictions ML et les expériences automatisées fonctionnent ensemble pour cribler efficacement les solvants organiques binaires avec une solubilité optimale pour le BTZ.

Cette recherche permet non seulement de relier les domaines de la science des données et de la science expérimentale traditionnelle, mais jette également les bases du développement futur d'une plateforme autonome dédiée au criblage des électrolytes de batterie.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!