بعد 30 عامًا من المثابرة، يهدف معهد ماساتشوستس للتكنولوجيا إلى الجيل القادم من بطاريات الليثيوم ويستخدم الذكاء الاصطناعي التوليدي لتحقيق تقدم كبير في مجال الإلكتروليتات الصلبة
في الطابق السفلي من المبنى رقم 4 في معهد ماساتشوستس للتكنولوجيا، يوجد مختبر أطلق عليه الطلاب اسم "مهد الابتكار" - المختبر 4-061. هنا،بدأ البروفيسور دونالد سادواي أبحاثه حول بطاريات الليثيوم المعدنية المصنوعة من إلكتروليت البوليمر الصلب (SPE) منذ أواخر تسعينيات القرن العشرين.لقد شهد هذا المختبر أيامًا وليالي لا حصر لها من العمل الشاق وعددًا لا يحصى من الإخفاقات التجريبية، ولكن هذه التحديات أيضًا هي التي أدت إلى ولادة اكتشافات مبتكرة غيرت العالم.
على مدى العقود الثلاثة الماضية، لم يتباطأ معهد ماساتشوستس للتكنولوجيا مطلقًا في أبحاثه حول إلكتروليتات البوليمر الصلبة (SPEs). مع التطور السريع لتكنولوجيا الذكاء الاصطناعي، أطلق فريق البحث في معهد ماساتشوستس للتكنولوجيا سلسلة من الأبحاث المبتكرة بمساعدة التعلم الآلي والاستراتيجيات القائمة على البيانات. إنهم يستخدمون خوارزميات متقدمة وكميات هائلة من البيانات لكسر قيود المواد التقليدية وفتح إمكانيات جديدة لمستقبل تكنولوجيا البطاريات.
منذ وقت ليس ببعيد،عملت فرق بحثية من معهد ماساتشوستس للتكنولوجيا ومعهد تويوتا للأبحاث معًا لاستخدام تقنية الذكاء الاصطناعي التوليدي لإعادة تصميم إلكتروليتات البوليمر بالكامل.قاموا بمقارنة نموذج minGPT القائم على GPT ونموذجي الانتشار 1D والانتشار LM القائمين على الانتشار، واستخدموا أساليب التدريب المسبق والضبط الدقيق لإنشاء عدد كبير من البوليمرات الجديدة والمتنوعة والقابلة للتطبيق بنجاح. ولا يوضح هذا الإنجاز الإمكانات الكبيرة للذكاء الاصطناعي في مجال تصميم المواد فحسب، بل ويضخ أيضًا حيوية جديدة في تطوير الإلكتروليتات الحالة الصلبة. أجب بـ "الإلكتروليت" في خلفية الحساب الرسمي للحصول على النص الأصلي للورقة.
الأمل في الجيل القادم من بطاريات الليثيوم: اختراقات بمساعدة الذكاء الاصطناعي في إلكتروليتات البوليمر الصلبة
تعتبر إلكتروليتات البوليمر الصلبة (SPEs) على نطاق واسع مرشحة واعدة لبطاريات الليثيوم أيون من الجيل التالي.وبالمقارنة مع الإلكتروليتات السائلة، فإنها تظهر مزايا كبيرة في السلامة وكثافة الطاقة وأداء التصنيع. ومع ذلك، فإن الموصلية الأيونية لـ SPEs عادة ما تكون أقل بعدة أوامر من حيث الحجم من الموصلية الخاصة بالإلكتروليتات السائلة التجارية، وهي الخاصية التي تحد بشدة من تطبيقاتها العملية. ولمعالجة هذا التحدي، أجرى الباحثون دراسات تجريبية وحسابية واسعة النطاق.
ومن ناحية أخرى، وجد الباحثون أن استخراج البيانات يوفر حلولاً جديدة لفهم العلاقة بين بنية المادة وخصائصها. في وقت مبكر من عام 2021، نشر فريق بحثي من جامعة شنغهاي جياو تونغ دراسة بعنوان "تسخير الذكاء الاصطناعي للتصميم الشامل والتعرف على الإلكتروليتات الصلبة" في مجلة Nano Energy. قاموا بدمج نماذج التعلم الآلي وحسابات DFT المحدودة لفحص 12 مرشحًا بسرعة بموصلية إلكترونية منخفضة للغاية في درجة حرارة الغرفة من أكثر من 29000 هيكل مصمم من العقيق (إلكتروليت الحالة الصلبة من العقيق). تؤدي هذه الطريقة إلى تقصير دورة الفحص حسابيًا بما لا يقل عن 95 عامًا، مما يفتح المجال لأفكار وطرق جديدة لتصميم واكتشاف الإلكتروليتات الحالة الصلبة.
رابط الورقة:
https://www.sciencedirect.com/science/article/pii/S2211285521005929
بحلول عام 2023، قام فريق بحثي من جامعة توهوكو في اليابان ببناء قاعدة بيانات ديناميكية لجميع إلكتروليتات البطاريات ذات الحالة الصلبة في دراسة بعنوان "قاعدة البيانات الديناميكية لإلكتروليتات الحالة الصلبة (DDSE)" واستخدم التعلم الآلي للتنبؤ بالموصلية الأيونية، مما يوفر مرجعًا للأداء للمواد الجديدة التي تم تصنيعها تجريبياً.
رابط الورقة:
https://www.sciencedirect.com/science/article/pii/S258996512300034X
ومن ناحية أخرى، يلتزم الباحثون أيضًا بتحسين الموصلية الأيونية للبوليمرات من خلال استكشاف مواد جديدة. في الوقت الحاضر، على الرغم من أن الطرق الشائعة مثل التشغيل في درجات حرارة عالية، وإضافة المواد المضافة المساعدة، والبوليمر المشترك قد أحرزت بعض التقدم، إلا أنها تعتمد في الغالب على أكسيد البولي إيثيلين (PEO). بسبب القيود المفروضة على المادة نفسها، أصبحت مادة PEO عقبة رئيسية أمام تطوير تكنولوجيا SPE. ومع ذلك، فإن استكشاف البوليمرات غير المحتوية على PEO لا يزال محدودا نسبيا في هذه المرحلة. من أجل استكشاف مساحة أوسع للبوليمر غير PEO، بدأ استخدام التعلم الآلي والأساليب المعتمدة على البيانات على نطاق واسع في التنبؤ بخصائص البوليمر والتصميم العكسي.
على الرغم من أن الذكاء الاصطناعي يمكن أن يسرع اكتشاف البوليمرات الجديدة، إلا أنه يفرض أيضًا تحديات فريدة. وبشكل عام، تعتمد دقة تنبؤات الذكاء الاصطناعي على مجموعة بيانات أولية غنية ومتنوعة وواسعة النطاق، لذا فإن البيانات عالية الجودة أمر بالغ الأهمية. علاوة على ذلك، فإن تصميم خوارزمية قادرة على توليد بوليمرات كيميائية واقعية وقابلة للتصنيع يعد مهمة معقدة. لذلك، من بين أساليب التعلم الآلي المختلفة، يبرز التصميم التوليدي بسبب قدرته على التعلم من البيانات وإنشاء مواد مرشحة جديدة. ومن المتوقع أن يؤدي هذا النهج ليس فقط إلى توسيع قواعد بيانات البوليمر من خلال التعلم من البيانات الموجودة، ولكن أيضًا إلى المساعدة في تخصيص تصميم المواد البوليمرية لأهداف محددة.
ومع ذلك، هناك حاليًا دراسات قليلة تستخدم تقنيات الذكاء الاصطناعي التوليدي المتقدمة هذه لتوليد البوليمر. لدراسة تطبيق تقنيات الذكاء الاصطناعي التوليدي في المواد غير المحتوية على PEO، وخاصة في مجال إلكتروليتات البوليمر مع المواد غير المتبلورة ذات العشوائية البنيوية العالية،في دراسة حديثة، قام فريق بحثي من معهد ماساتشوستس للتكنولوجيا ومعهد تويوتا للأبحاث بالبحث في تعقيدات النماذج التوليدية المتقدمة المختلفة في توليد البوليمر واقترحوا طريقة تصميم جديدة يمكنها توليد وتقييم إلكتروليتات بوليمرية جديدة تعتمد على GPT والانتشار بشكل مستمر، مما يوفر مرشحين جدد للاختبار التجريبي.
يتفوق minGPT على نماذج الانتشار: تعمل استراتيجيات ما قبل التدريب على تحسين قابلية مجموعة البيانات للتكيف
في أحدث الأبحاث التي أجراها معهد ماساتشوستس للتكنولوجيا، بهدف تطوير مواد إلكتروليتية بوليمرية جديدة ذات قيمة،صممت هذه الدراسة مخطط تقييم منهجي لتوليد البوليمر من خلال أربع وحدات رئيسية: الرمز، والتدريب، والتوليد، والتقييم.
أولاً، في مرحلة الرمز المميز،قام الباحثون أولاً باختيار مجموعة بيانات HTP-MD تحتوي على 6024 إلكتروليتًا بوليمريًا غير متبلورًا مختلفًا. تم حساب خصائص نقل الأيونات لهذه البوليمرات بشكل أساسي عن طريق محاكاة الديناميكيات الجزيئية (MD).
وبناءً على مجموعة البيانات هذه، في مرحلة التدريب،قام الباحثون بمقارنة أداء العديد من نماذج الذكاء الاصطناعي التوليدية المختلفة، بما في ذلك minGPT، وهو إعادة إنتاج مفتوحة المصدر شائعة الاستخدام لنموذج GPT على PyTorch، ونموذجين للانتشار: نموذج الانتشار أحادي الأبعاد ونموذج لغة الانتشار (diffusion-LM).
ومن خلال مقارنة هذه النماذج، يأمل الباحثون في تحديد الطريقة الأكثر كفاءة لتوليد إلكتروليتات بوليمرية ذات خصائص مرغوبة. ونظراً لأن النماذج الثلاثة لها وظائف خسارة مختلفة، فإن قيم الخسارة قد لا توفر تقييماً شاملاً للنظام الكيميائي. لذلك، اقترح الباحثون طريقة لتقييم توليد البوليمر تتضمن 6 مؤشرات مختلفة، والتي يمكنها تقييم أداء النموذج تحت مجموعات مختلفة من المعلمات الفائقة.
* نموذج الانتشار 1D هو تحسين لنموذج انتشار إزالة الضوضاء الاحتمالي (DDPM)، والذي تم تطويره في الأصل لتوليد الصور.
* في نموذج الانتشار-LM، يتم الجمع بين بنية نموذج اللغة غير الانحداري التلقائي ومفهوم الانتشار المستمر لتوليد النص.
* عنوان مشروع minGPT:
https://gitcode.com/gh_mirrors/mi/minGPT
* 1عنوان مشروع الانتشار:
https://gitcode.com/gh_mirrors/de/denoising-diffusion-pytorch
* عنوان مشروع diffusion-LM:
https://gitcode.com/gh_mirrors/di/Diffusion-LM
في هذه الدراسة، قام الباحثون أولاً بدراسة أداء بنية النموذج في حالة التوليد غير المشروط، أي استخدام مجموعة بيانات HTP-MD لتدريب نموذج توليدي لتعلم "لغة" البوليمرات دون أي قيود على السمات. في عملية التوليد غير المشروط،يمكن تدريب النموذج في مرحلة التوليد لتوليد بوليمرات جديدة وصالحة كيميائيًا وفريدة وقابلة للتصنيع بشكل عشوائي.
وتظهر النتائج في الشكل أدناه. يؤدي نموذج minGPT ونموذج diffusion-LM أداءً مشابهًا، في حين يؤدي نموذج 1Ddiffusion أداءً ضعيفًا نسبيًا. من حيث التكلفة الحسابية، يعد نموذج minGPT أكثر كفاءة من النموذج القائم على الانتشار في كل من التدريب والاستدلال. في نواة وحدة معالجة الرسوميات Tesla V100 (ذاكرة وصول عشوائي بسعة 16 جيجابايت)، يستغرق تدريب نموذج minGPT الأمثل حوالي 3-4 دقائق فقط، بينما يستغرق تدريب نماذج 1Ddiffusion وdiffusion-LM الأمثل حوالي ساعتين.
بعد ذلك، قامت الدراسة بتوجيه النموذج التوليدي بشكل أكبر لإنشاء إلكتروليتات بوليمرية ذات خصائص مثالية ودراسة أداء بنية النموذج في ظل التوليد المشروط. على سبيل المثال، لتحقيق الموصلية الأيونية العالية، قام الباحثون أولاً بتقسيم البوليمرات في مجموعة بيانات HTP-MD إلى مجموعتين: الموصلية العالية والموصلية المنخفضة. ثم استخدموا نموذج الهندسة المعمارية الأمثل الذي تم الحصول عليه من ضبط المعلمات الفائقة لمهمة التوليد غير المشروط لتوليد إلكتروليتات بوليمرية مشروطة ذات موصلية عالية في مرحلة التوليد.
وأخيرًا، استخدموا نموذج الشبكة العصبية البيانية (GNN) للتنبؤ بالتوصيل الأيوني للبوليمرات الناتجة.ومن بين 46 مادة مرشحة تم اختبارها، تم في النهاية اختيار 17 بوليمرًا يتمتع بموصلية أيونية فائقة.وتُظهر النتائج أيضًا أنه بما يتفق مع النتائج المتعلقة بالتوليد غير المشروط، فإن نموذج minGPT يتفوق أيضًا على نموذجي 1Ddiffusion وdiffusion-LM في التوليد المشروط، محققًا متوسط درجة متفوقًا.يوضح هذا أن نموذج minGPT لا يعمل بشكل جيد في توليد بوليمرات جديدة فحسب، بل يمكنه أيضًا توجيه توليد إلكتروليتات البوليمر بخصائص مثالية محددة بشكل فعال.
نظرًا لأن نموذج minGPT يتفوق على النموذج القائم على الانتشار في كل من التوليد غير المشروط والتوليد المشروط. لذلك، قام الباحثون بدراسة تأثير أساليب التدريب المسبق والضبط الدقيق على نموذج minGPT. على وجه التحديد، قاموا بمقارنة استراتيجيتين تدريبيتين مختلفتين: الأولى هي نموذج minGPT الذي تم تدريبه مباشرة من الصفر على مجموعة بيانات HTP-MD، والأخرى هي نموذج minGPT الذي تم تدريبه مسبقًا أولاً على قاعدة بيانات PI1M من أجل التوليد غير المشروط ثم تم ضبطه بدقة على مجموعة بيانات HTP-MD من أجل التوليد المشروط.
* قاعدة بيانات PI1M: قاعدة بيانات مرجعية تحتوي على مليون مونومرات بوليمرية، لكنها تفتقر إلى المعلومات المتعلقة بالتوصيل الأيوني للبوليمرات
تظهر نتائجنا أن استراتيجية التدريب المسبق تقصر بشكل كبير وقت تدريب الضبط الدقيق وتحسن درجات الفعالية والتفرد لتوليد الشرط. بالإضافة إلى ذلك، يعمل التدريب المسبق أيضًا على تعزيز قدرة النموذج على التقاط خصائص البوليمر في مجموعة بيانات HTP-MD وإنتاج تنوع أوسع من البوليمرات أثناء التوليد. هذا يعنى،من خلال التدريب المسبق على قاعدة بيانات واسعة النطاق، يمكن للنموذج التكيف بشكل أفضل مع احتياجات مجموعة بيانات محددة، وبالتالي إظهار كفاءة ودقة أعلى في توليد البوليمرات الجديدة.
يعمل معهد ماساتشوستس للتكنولوجيا ومعهد تويوتا للأبحاث معًا لتعزيز الاستخدام الواسع النطاق للذكاء الاصطناعي في مجال السيارات
في الواقع، هذا البحث ليس التعاون الأول بين معهد ماساتشوستس للتكنولوجيا ومعهد تويوتا للأبحاث. ويعود تاريخ التعاون بين الجانبين إلى ما قبل 10 سنوات، وكانت النتائج مثمرة للغاية.
وفي وقت مبكر من شهر سبتمبر/أيلول 2015، أعلنت شركة تويوتا موتور كوربوريشن أنها ستستثمر 50 مليون دولار أميركي على مدى السنوات الخمس المقبلة لإنشاء مركز أبحاث بالتعاون مع معهد ماساتشوستس للتكنولوجيا وجامعة ستانفورد لتطوير السيارات بدون سائق بشكل مشترك. يضع هذا التعاون الأساس لتطبيق الذكاء الاصطناعي على نطاق واسع في البحث والتطوير في مجال السيارات.
وبعد مرور عام واحد فقط، أصدر مركز النقل والخدمات اللوجستية التابع لمعهد ماساتشوستس للتكنولوجيا، وAgeLab، ومركز أبحاث السلامة التعاونية التابع لشركة تويوتا (CSRC)، مجموعة بيانات مفتوحة مبتكرة تسمى DriveSeg. تلتقط مجموعة البيانات هذه مشاهد القيادة من خلال مقاطع الفيديو وتوفر تدفقًا للبيانات أقرب إلى مواقف القيادة الديناميكية الحقيقية، مما يعزز بشكل كبير تطوير مجالات مثل التعلم الآلي وفهم المشهد والتنبؤ بالسلوك.
في عام 2020، نشر فريق بحثي من معهد ماساتشوستس للتكنولوجيا، ومعهد تويوتا للأبحاث، وجامعة ستانفورد، ورقة بحثية في مجلة Nature بعنوان "تحسين الحلقة المغلقة لبروتوكولات الشحن السريع للبطاريات باستخدام التعلم الآلي"، حيث قدموا نموذجًا للتعلم الآلي.يقلل النموذج وقت اختبار شحن البطارية بنحو 15 مرة من ما يقرب من عامين إلى 16 يومًا.ويمكن التنبؤ بعمر البطارية بدقة. ومن المتوقع أن تساعد هذه الطريقة في تسريع جوانب مختلفة من تطوير البطاريات ومساعدة الشركات المصنعة على تصميم وتصنيع البطاريات بكفاءة أكبر.
رابط الورقة:
10.1038/s41586-020-1994-5
ورغم انتهاء مدة الاتفاقية التي استمرت خمس سنوات، إلا أن التعاون بين الأطراف المتعددة لم يتوقف. في عام 2021، نشر فريق بحثي من معهد ماساتشوستس للتكنولوجيا، ومعهد تويوتا للأبحاث، وجامعة ستانفورد، ومركز ستانفورد لأبحاث المواد (SLAC) مقالاً بعنوان "الفصل الطوري الوهمي في أكاسيد الليثيوم الطبقية المدفوعة بالتحفيز الكهربائي التلقائي" في مجلة Nature Materials.لأول مرة، تم تطبيق "التعلم الآلي العلمي" على أبحاث دورة البطارية.إنها تقلب الافتراضات التقليدية حول شحن وتفريغ بطاريات الليثيوم أيون وتوفر قواعد جديدة لتصميم بطاريات السيارات الكهربائية طويلة العمر والتي يمكن شحنها بالكامل في أقل من 10 دقائق.
رابط الورقة:
10.1038/s41563-021-00936-1
والآن، تعاون معهد ماساتشوستس للتكنولوجيا ومعهد تويوتا للأبحاث مرة أخرى لتطوير طريقة لتوليد وتقييم مرشحي البوليمر الجدد بشكل مستمر. يتمتع هذا النهج بإمكانيات كبيرة لحل مشاكل تصميم البوليمر المعقدة وتعزيز البحث عن مواد البطاريات من الجيل التالي.
تطوير وتحويل صناعة بطاريات الليثيوم: الذكاء الاصطناعي يساعد في دفع التطورات الرئيسية
من الاستخدام الواسع النطاق للسيارات الكهربائية إلى الأجهزة الإلكترونية الاستهلاكية مثل الهواتف الذكية وأجهزة الكمبيوتر المحمولة التي نستخدمها يوميًا إلى أجهزة المنزل الذكية، توفر بطاريات الليثيوم دعمًا قويًا للطاقة لهذه الأجهزة بفضل قدراتها الفعالة على تخزين الطاقة.
وعلى مستوى العالم، أولت الحكومات اهتماما كبيرا لتطوير بطاريات الليثيوم. على سبيل المثال، من أجل تنفيذ "خطة تنفيذ مشروع تجريبي جديد لتوحيد معايير الصناعة (2023-2035)"، أصدرت وزارة الصناعة وتكنولوجيا المعلومات وأربع إدارات أخرى "إرشادات بناء نظام معايير صناعة بطاريات الليثيوم الوطنية (إصدار 2024)" في نوفمبر 2024، بهدف تعزيز التصميم رفيع المستوى لمعايير صناعة بطاريات الليثيوم وتعزيز التنمية الصحية والمنظمة لصناعة بطاريات الليثيوم.
كما تعمل بلدان ومناطق مثل الولايات المتحدة وأوروبا وكوريا الجنوبية أيضًا على زيادة استثماراتها في البحث والتطوير في مجال بطاريات الليثيوم لضمان الحفاظ على مكانتها الرائدة في المنافسة العالمية. على سبيل المثال، في نوفمبر/تشرين الثاني 2021، أصدر التحالف الفيدرالي للبطاريات المتقدمة (FCAB)، الذي تم إنشاؤه بشكل مشترك من قبل وزارة الطاقة الأمريكية ووزارة الدفاع ووزارة التجارة ووزارة الخارجية، المخطط الوطني الأمريكي لبطاريات الليثيوم 2021-2030، بهدف توجيه الاستثمار في سلسلة قيمة تصنيع بطاريات الليثيوم في الولايات المتحدة وخلق فرص العمل. ولا تعمل هذه السياسات على تعزيز الابتكار التكنولوجي فحسب، بل توفر أيضًا أساسًا متينًا للتطبيق الواسع النطاق لبطاريات الليثيوم.
ومع ذلك، بسبب التحسين المستمر لمتطلبات الأداء للأجهزة المختلفة، فإن البحث والتطوير الحالي لبطاريات الليثيوم لا يزال يواجه تحديات مستمرة واحتياجات ابتكارية، مثل التقدم البطيء نسبيًا في ابتكار المواد والصعوبة في معالجة وتحليل كميات كبيرة من بيانات البطارية بشكل فعال.
تقف صناعة بطاريات الليثيوم الآن على قمة موجة من الابتكار التكنولوجي، ولا شك أن الذكاء الاصطناعي هو القوة الدافعة الأساسية التي تقود هذه النهضة التكنولوجية.على سبيل المثال، بصفتها أكبر شركة مصنعة لبطاريات الليثيوم في العالم، استخدمت شركة Contemporary Amperex Technology Co., Ltd. (CATL) تقنية الذكاء الاصطناعي لتحسين عملية إعادة التدوير وحققت تقدمًا كبيرًا في مجال إعادة تدوير بطاريات الليثيوم، مما أدى إلى زيادة معدل استرداد الليثيوم إلى 91%. من خلال استخدام خوارزميات الذكاء الاصطناعي المتقدمة وتقنيات تحليل البيانات الضخمة، قامت Innosilicon بتحسين جميع جوانب إنتاج بطاريات الليثيوم بشكل عميق، الأمر الذي لا يحسن مستوى الذكاء في إنتاج بطاريات الليثيوم فحسب، بل يسرع أيضًا البحث والتطوير وتطبيق مواد بطاريات الليثيوم الجديدة.
في المستقبل، سوف تستمر صناعة بطاريات الليثيوم في الخضوع لترقيات وتغييرات كبيرة. مع التقدم المستمر للتكنولوجيا والنمو المستدام للطلب في السوق، ستلعب بطاريات الليثيوم دورًا متزايد الأهمية في تحويل الطاقة والتنمية المستدامة. خلال هذه الرحلة، تظهر تقنية الذكاء الاصطناعي زخمًا غير مسبوق، مما يوفر مصدرًا مستمرًا للقوة الدافعة الرئيسية لمواصلة تطوير الصناعة.