Машинное обучение ускоряет разработку безопасных батарей

Статью о применении машинного обучения к поиску возможных решений проблемы дендритов в литий-ионных батареях недавно опубликовали в журнале ACS Central Science Зеехан Ахмад (Zeeshan Ahmad) из Университета Карнеги-Меллон и Тянь Се (Tian Xie) из Массачусетского технологического (MIT).

«Нам требовалось проверить на пригодность к использованию в качестве твёрдого электролита 13 тысяч неорганических кристаллических материалов, – рассказал Ахмад. – Даже просто рассчитать по отдельности свойства каждого твёрдого электролита было очень затратно в вычислительном отношении. Мы применили машинное обучение потому, что оно может работать с большими объемами данных».

В зависимости от доступных данных, авторы использовали разные модели машинного обучения. Если данных было достаточно для обучения модели, использовали графовую свёрточную нейросеть, если их было мало – линейную регрессию с регуляризацией.

Оптимальный твёрдый электролит должен подавлять рост дендритов на металлической поверхности литиевого анода, должен быть электрическим изолятором и химически стабильным ни комнатной температуре. Он него также требуется хорошая ионная мобильность, чтобы обеспечивать высокую мощность батареи для быстрой зарядки.

Результатом работы интеллектуальных алгоритмов стали шесть материалов, относящихся к трём классам – сульфидов, йодидов, и борогидридов.

«Обнаружение шести потенциальных твердых электролитов за такое короткое время показывает потенциал радикального ускорения открытия материала с помощью инструментов машинного обучения», – заявил Се.