手作業の13倍以上の速さ「ロボット＋AI」で電池に最適な電解質を発見し、材料研究を加速

編集者 | Ziluo

従来の材料研究開発モデルは主に「試行錯誤」の実験方法や偶然の発見に依存しており、その研究開発プロセスは通常 10 ～ 20 年かかります。

機械学習 (ML) に基づくデータ駆動型の手法により、クリーン エネルギー技術用の新しい材料の設計を加速できます。しかし、大規模で忠実度の高い実験データベースが不足しているため、材料研究における実用化は依然として限定的です。

最近、米国の太平洋岸北西部国立研究所とアルゴンヌ国立研究所の研究チームは、高スループットの実験プラットフォームと最先端のアクティブラーニングアルゴリズムを組み合わせて、バイナリ有機物を効率的にスクリーニングする高度に自動化されたワークフローを設計しました。陽極液に最適な溶解度を持つ溶媒。 この研究の目的は、エネルギー貯蔵システムの性能と安定性を向上させ、再生可能エネルギーの普及を促進することです。従来、陽極液に関する研究は通常、多くの試行錯誤の実験を必要とし、時間と労力がかかります。この自動化されたワークフローを使用することで、研究者は適切な二元化合物をより迅速に選別することができます。高性能レドックスフロー電池を開発するために設計された効率的なワークフローに加えて、この機械学習に基づいた高スループットロボットプラットフォームは、研究を加速するための強力で多用途なアプローチを提供します。機能性材料の発見。

査読者は次のようにコメントしました:「この研究は、AI 誘導ロボット プラットフォームがエネルギー用途における溶媒と電解質の非直観的な組み合わせを効果的に見つけられることを示しています。この研究は電池コミュニティにとって重要な意味を持っています。」

この研究のタイトルは「

最適な電解質配合の発見を加速するための統合された高スループットロボットプラットフォームとアクティブラーニングアプローチ

」で、2024年3月29日に「Nature Communications」に掲載されました # ＃＃"優れた。

論文リンク: https://www.nature.com/articles/s41467-024-47070-5

クリーン エネルギー技術アプリケーションの開発を確実にし、電力の徹底的な脱炭素化を達成することが重要であるため、ツールの目標とする機能特性を備えた材料を設計することは、クリーン エネルギー技術アプリケーションの開発と電力の徹底的な脱炭素化を達成するために重要です。従来の試行錯誤方法はコストと時間がかかるため、設計ツールは本質的に高価であり、時間の節約になります。

レドックス活性分子の溶解度は、レドックスフロー電池 (RFB) のエネルギー密度を決定する重要な要素です。しかし、電解質材料の発見は、データ駆動型アプローチを活用するために重要な実験的溶解度データセットの欠如によって制限されています。

それにもかかわらず、非水性 RFB (NRFB) 用の可溶性の高いレドックス活性有機分子 (ROM) の開発は、有機溶媒系とアプリケーション関連の実験的溶解度データの標準化が欠如しているため、依然として困難な課題です。 。 タスク。

自動ハイスループット実験 (HTE) プラットフォームを活用することで、「過剰溶質」溶解度測定法の信頼性と効率が向上し、NRFB の溶解度データベースを構築できます。ただし、HTE システムを使用した場合でも、潜在的な溶媒混合物が多様であるため、スクリーニング プロセスに時間と費用がかかります。

アクティブ ラーニング (AL)、特にベイズ最適化 (BO) は、エネルギー貯蔵用途に必要な電解質の探索を加速する信頼できる方法であることが証明されています。したがって、BO によってガイドされる閉ループ実験ワークフローを使用して、HTE の実行を最小限に抑えることができます。

ML 誘導型ハイスループット実験ロボット プラットフォーム

ここで、研究者は 2,1,3-ベンゾチアジアゾール (2,1,3-ベンゾチアジアゾール (BTZ)、高度な非局在化電荷密度と良好な化学的安定性を備えた高性能陽極液は、モデル ROM として機能します。焦点は、NRFB 電解質の発見を加速するための、機械学習に基づくハイスループット実験 (HTE) ロボット プラットフォームの可能性を実証する、さまざまな有機溶媒への溶解度の研究にあります。

図: 機械学習 (ML) によって誘導されたハイスループット実験プラットフォームに基づく閉ループ電解質スクリーニング プロセスの概略図。 (出典: 論文)

具体的には、研究者らは、HTE と BO という 2 つの接続されたモジュールで構成される閉ループ溶媒スクリーニング ワークフローを設計しました。 HTE モジュールは、高スループットのロボット プラットフォームを介してサンプル前処理と溶解度測定を実行します。 BO コンポーネントは、サロゲート モデルと取得関数で構成され、これらが連携して神託として機能し、溶解度の予測を行い、評価用の新しい溶媒を提案します。

ワークフローを下の図に示します。具体的な手順は次のとおりです。

• まず、ROM の飽和溶液を準備し、HTE プラットフォームを介してサンプルを分析します。次に、これらのサンプルの核磁気共鳴（NMR）スペクトルを取得し、そのスペクトルデータを使用してROMの溶解度を計算しました。
• このデータ セットは、BO プロセスの一部として、検索空間内の未テストのサンプルの溶解度を予測するために使用されるサロゲート モデルをトレーニングするために使用されます。
• その後、取得関数が BO フレームワーク内で適用され、新しいサンプルの選択をガイドし、予測される溶解度値と関連する不確実性 (つまり、フィットネス スコア) のバランスに基づいて評価をガイドし、それによって分析が簡素化されます。潜在的な溶媒の発見と分析。

手動サンプル処理よりも 13 倍以上高速です

自動プラットフォームは、過剰な溶質を含む飽和溶液と最小限の量で定量的核磁気共鳴 (qNMR) を調製できます。手動介入）サンプルです。

自動化された HTE ワークフローを使用すると、42 個のサンプルの溶解度測定を完了するための合計実験時間は約 27 時間でした (サンプルあたり約 39 分、より多くのサンプルを実行するとサンプルあたりの時間は短縮されます)。これは、「過剰溶質」法を使用して手動でサンプルを処理するよりも 13 倍以上高速です (サンプルあたり約 525 分)。

HTE システムによる速度の向上に加えて、研究では、BTZ の正確な測定を保証するために、温度 (20°C) や安定化時間 (8 時間) などの実験条件の制御にも重点が置かれました。さまざまな有機溶媒への溶解性。

図: 自動化されたハイスループット実験 (HTE) プラットフォームの概要。 (出典: 論文)

文献レビューと溶媒特性の考察に基づいて、研究者らは BTZ の潜在的な候補溶媒を 22 個リストアップしました。次に、それぞれ 9 つの異なる体積分率を持つこれら 22 の単一溶媒をペアで組み合わせることで、追加の 2079 の二成分溶媒がさらに列挙されました。

表: 22 の候補有機溶媒とその物理的および化学的特性のリスト。 (出典: 論文)

#プラットフォームは、プロトタイプの酸化還元活性分子を使用して、2,000 を超える潜在的な溶媒の包括的なライブラリから複数の溶媒を特定します2,1,3 - 溶解度の閾値ベンゾチアジアゾールの量は 6.20 M を超えます。注目すべきことに、この包括的な戦略では、薬物候補の 10% 未満について溶解度評価が必要であり、新しいアプローチの効率性が強調されました。

図: ベイジアン最適化 (BO) による必要な電解質の特定。 (出典: 論文)

研究結果は、二成分溶媒混合物、特に 1,4-ジオキサン (1,4-ジオキサン) を組み込んだ混合溶媒が BTZ の溶解度の向上に役立つことも示しています。

結論として、この研究は、電解質スクリーニングのための ML ガイド付き HTE プラットフォームを実証します。ML 予測と自動実験が連携して、BTZ に最適な溶解度を持つ二元有機溶媒を効果的にスクリーニングします。

この研究は、データ サイエンスの分野と従来の実験科学の分野を結び付けるのに役立つだけでなく、バ​​ッテリー電解液スクリーニング専用の自律プラットフォームの将来の開発の基礎を築くことにもなります。

以上が手作業の13倍以上の速さ「ロボット＋AI」で電池に最適な電解質を発見し、材料研究を加速の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。