عالج الفريقان الصيني والياباني المشكلة بشكل مشترك، باستخدام نموذج كبير لتحليل آلية توصيل إلكتروليتات الهيدريد الصلبة وإنشاء نموذج موثوق للتنبؤ بطاقة التنشيط
مع التطور السريع للصناعات مثل المركبات الكهربائية والأجهزة الإلكترونية، أظهر الطلب على البطاريات عالية الأداء طفرة من النمو. باعتبارها جوهر الجيل القادم من تكنولوجيا تخزين الطاقة، أصبحت البطاريات ذات الحالة الصلبة محور المنافسة البحثية العلمية العالمية بسبب سلامتها العالية وكثافة الطاقة واستقرار الدورة. تُعد الإلكتروليتات الحالة الصلبة (SSEs) مكونات أساسية لجميع البطاريات ذات الحالة الصلبة (ASSBs). تحدد معايير الأداء الخاصة بها بشكل مباشر كفاءة الإنتاج وعمر خدمة البطارية، وأصبحت بمثابة حصن تقني تتنافس فرق البحث العلمي للتغلب عليه.
لقد اعتمدت الأبحاث والتطوير الخاصة بأنظمة الطاقة الشمسية التقليدية لفترة طويلة على أساليب التجربة والخطأ المملة.خذ شركة تويوتا موتور اليابانية كمثال. هذا العملاق الصناعي، الذي يمتلك أكثر من 1300 براءة اختراع لبطاريات الحالة الصلبة، كان يخطط طموحًا لتسويق بطاريات الحالة الصلبة بالكامل بحلول عام 2027. ومع ذلك، نظرًا لمشكلة استقرار واجهة إلكتروليتات الحالة الصلبة، اضطر إلى تأجيل جدول الإنتاج الضخم إلى ما بعد عام 2030. ومن قبيل الصدفة، واجهت الاستثمارات الضخمة لوزارة الطاقة الأمريكية في مسار تقنية "بطاريات أيونات الصوديوم + إلكتروليتات صلبة" أيضًا عقبة بسبب آلية هجرة الأيونات المعقدة لمواد الهيدريد. وهذا يكشف بشكل كامل عن القيود التي يفرضها نموذج البحث والتطوير التقليدي——إن التفاعل الكهروستاتيكي القوي بين الكاتيونات ثنائية التكافؤ في جزيئات SSE الهيدريدية يجعل من الصعب التقاط سلوك الهجرة الديناميكية الخاصة بها باستخدام تقنيات التوصيف التجريبية التقليدية.لقد أدى عدم كفاءة أسلوب التجربة والخطأ إلى إبطاء عملية الاختراقات التكنولوجية بشكل أكبر.
وعلى هذه الخلفية، أعطى الذكاء الاصطناعي زخماً تحويلياً لأبحاث وتطوير الشوارد ذات الحالة الصلبة. لقد أدى ظهور نماذج اللغة الكبيرة إلى توسيع حدود الأساليب المعتمدة على البيانات وتوفير أدوات أكثر دقة للتنبؤات النظرية. ومع ذلك، فإن تعقيد أنظمة مواد SSE، وخاصة آليات هجرة الأيونات متعددة المقاييس في الهيدريدات، لا يزال يشكل تحديًا لدقة النماذج النظرية. إن مشكلة التجزئة المنهجية السائدة في الأبحاث الحالية تحد أيضًا من الفهم المنهجي للأنظمة المادية.
ولكسر هذا الجمود، اقترح فريق بحثي مشترك مكون من جامعة توهوكو في اليابان وجامعة سيتشوان في الصين ومعهد شيبورا للتكنولوجيا في اليابان إطار عمل مبتكر يدمج الذكاء الاصطناعي والمحاكاة متعددة المقاييس.نجح الفريق في الكشف عن آلية هجرة الأيونات الفريدة "ذات الخطوتين" في SSEs الهيدريدية من خلال الجمع بين قاعدة بيانات SSE الشاملة مع نموذج لغوي كبير ومحاكاة ميتاديناميكية أولية (MetaD).
وقد تم نشر نتائج البحث ذات الصلة في المجلة الدولية الرائدة Angewandte Chemie-International Edition تحت عنوان "كشف تعقيد إلكتروليتات الهيدريد ثنائية التكافؤ في البطاريات ذات الحالة الصلبة عبر إطار عمل قائم على البيانات مع نموذج لغوي كبير".
عنوان الورقة:
سير عمل يعتمد على البيانات ومُسرّع بالذكاء الاصطناعي، ومحرك تسريع للمحاليل الكهربائية الصلبة عالية الأداء
في مجال أبحاث الإلكتروليت الصلب ثنائي القيمة (SSE)، وعلى الرغم من استمرار التجارب والحسابات في التعمق، إلا أنها محدودة بتكنولوجيا توصيف المواد وطرق المحاكاة. إن تنوع الجزيئات المحايدة وبطء هجرة الأيونات يجعلان البحث معقدًا. ولتحقيق هذه الغاية، قام فريق البحث بتطوير سير عمل مبتكر يعتمد على البيانات الضخمة، باستخدام نموذج لغة كبير (LLM) للحصول على فهم عميق لـ SSE وتحليل هجرة الكاتيونات.يهدف إلى تصميم SSEs سريعة التوصيل الأيوني للبطاريات ذات الحالة الصلبة عالية الأداء (SSBs).
كما هو موضح في الشكل أ أدناه،وتبدأ العملية بتحليل البيانات الضخمة، باستخدام قاعدة البيانات الديناميكية للكهارل الصلبة (DDSE) التي طورها الفريق، والتي تغطي 2556 مادة تجريبية من مواد SSE، و18635 مجموعة من بيانات قياس الموصلية الأيونية، و657 مادة حسابية من مواد SSE.وبالتالي يتم التقاط وتحديد الميزات الرئيسية.
وبناءً على هذه القاعدة البيانات، اكتسب الباحثون رؤيتين مهمتين:
تحليل البيانات الضخمة لـ Hydride SSE
كما هو موضح في الشكل ب أدناه، قام الباحثون بتحليل الموصلية الأيونية المعتمدة على درجة الحرارة لـ 158 هيدريد معدني في التجربة ووجدوا أنه في SSEs بدون جزيئات محايدة، تكون موصلية الإلكتروليتات أحادية التكافؤ عادةً بين 10⁻⁷ و10⁻¹ S cm⁻¹، وتكون طاقة التنشيط (Eₐ) أقل من 1.0 إلكترون فولت؛ في حين أن الأيونات ثنائية التكافؤ لها تفاعلات كهروستاتيكية قوية مع البيئة المحيطة وتوصيل ضعيف، وهناك عدد أقل من الأيونات ثنائية التكافؤ بدون جزيئات محايدة. ومع ذلك، فإن إضافة جزيئات محايدة إلى شبكة SSE ثنائية التكافؤ يمكن أن يعزز هجرة الأيونات ثنائية التكافؤ.يحسن التوصيل بشكل كبير، مما يجعل أداءه قابلاً للمقارنة مع الإلكتروليتات أحادية التكافؤ.
تحسينات على طرق المحاكاة التقليدية
للحصول على فهم أعمق لهجرة الأيونات في مواد SSE، قام الباحثون بتحليل منهجي للطرق الحسابية المستخدمة بشكل شائع في السنوات العشر الماضية. يقلب تحليل المعايير القائم على LLM للحسابات التجريبية والنظرية فهم طرق البحث عن حالة الانتقال المستخدمة بشكل شائع لهجرة الكاتيون SSE، ويكشف أن طريقة المحاكاة التقليدية تختلف بشكل كبير عن Eₐ التجريبية، مما يشير إلى أنه يجب تفضيل الطرق الأكثر معقولية مثل MetaD، خاصة بالنسبة لـ SSEs ذات Eₐ العالية. كما هو موضح في الشكل د أدناه، أجرى الباحثون بعد ذلك سلسلة من عمليات محاكاة MetaD للكشف بشكل أكبر عن آلية هجرة الكاتيون، وقدموا العديد من الوصافات النظرية لوصف Eₐ، واستخدموا استراتيجية تحسين عالمية لتوضيح بنية تركيبة SSE ذات الموصلية الأيونية العالية المتوقعة.
أجرى الباحثون أيضًا سلسلة من عمليات محاكاة MetaD لاستكشاف آلية هجرة الكاتيون بشكل أكبر، وقدموا العديد من الوصافات النظرية لوصف Eₐ، وطبقوا استراتيجية تحسين عالمية لتوضيح بنية تركيبة SSE ذات الموصلية الأيونية العالية المتوقعة. وعلى هذا الأساس، تم استنباط العلاقة بين الهيكل والأداء وتم التنبؤ بـ SSE الجديد بنجاح. إجمالي،يوفر سير العمل هذا أداة قوية للتنبؤ بديناميكيات هجرة كاتيون الهيدريد وتحديد مواد SSE المرشحة الجديدة الواعدة.ويحل بشكل فعال مشكلة صعوبة توضيح القيود الناجمة عن قيود البيانات والطريقة في البحث عن الإلكتروليتات الصلبة ثنائية القيمة.
بحث حول هيدريد SSE: الكشف عن آلية جديدة لهجرة كاتيونات SSE وإنشاء نموذج موثوق للتنبؤ بطاقة التنشيط
في مجال البحث في إلكتروليتات الهيدريد الصلبة (SSEs)، قام فريق البحث ببناء نظام نموذج منهجي للتنبؤ بدقة بهجرة الكاتيون واستكشاف آليات جديدة.كما هو موضح في الشكل أ أدناه، يغطي النموذج 21 SSE مختلفة، تتضمن كاتيونات مختلفة (كاتيونات أحادية التكافؤ مثل Li⁺، Na⁺، K⁺، ثنائية التكافؤ مثل Ca²⁺، Mg²⁺، Zn²⁺)، وأنيونات (أنيونات، عش صغير BH₄⁻، شبكة B₃H₈⁻، "مثل القفص" مغلق BₙHₙˣ⁻، CBₙHₙˣ⁻) وجزيئات محايدة (جزيئات محايدة، مثل H₂O، NH₃، إلخ). ويعمل الأخير على تعزيز الهجرة في النظام عن طريق تقليل تنسيق الكاتيون وتوسيع الشبكة البلورية.
تم تدريب النموذج بناءً على طريقة محاكاة MetaD.عند درجة حرارة الطور المقابلة، يتم تقييم الكاتيونات والأنيونات والجزيئات المحايدة في النظام بشكل منهجي للحصول على بيانات رئيسية مثل سطح الطاقة الحرة.تمت مقارنة طاقة التنشيط المحاكاة (MetaD Eₐ) مع القيمة التجريبية، وكان الاتفاق مرتفعًا جدًا (R²=0.95)، وخاصة أن SSE ثنائي التكافؤ الذي يحتوي على جزيئات محايدة أظهر أداءً جيدًا، مما أكد موثوقية النموذج.
في دراسة آلية هجرة الكاتيون،تلتقط محاكاة MetaD عملية الهجرة الجديدة.كما هو موضح في الشكل c أدناه، مع أخذ أيون Mg كمثال، فإنه ينفصل عن التنسيق الرباعي السطوح الأصلي، ويتحرك نحو الجزيء المحايد NH₃ وينتقل إلى الموقع الخلالي، ويهاجر على طول الموقع الخلالي، وينسق بالتناوب مع [BH₄]⁻ لإكمال الهجرة. في هذه العملية، يتم تقديم حالتين تنسيقيتين شبه مستقرتين، "فتح التنسيق" و"العجلة الدوارة". كما نشاهد عملية مماثلة في هجرة Li⁺ في LiBH₄·NH₃. كشف التحليل الإضافي أن هذا النوع من SSE له قيمتان لطاقة التنشيط (Eₐ₁ و Eₐ₂)، كما هو موضح في الشكل eg أدناه، وهو ما يتوافق مع عملية انتقال الكاتيونات خارج بيئة التنسيق والهجرة إلى الشغور، على التوالي. تعتبر قيمة Eₐ₂ قريبة من قيمة القياس التجريبية، مما يشير إلى أنها قد تكون الخطوة التي تحدد المعدل.
في دراسة التنبؤ بطاقة التنشيط، قدم فريق البحث 8 أوصاف نظرية: حجم الخلية الوحدوية (V)، السالبية الكهربية (X)، العدد الذري (Z)، طاقة الارتباط (bₘ)، مسافة الأنيون (d)، عدد الجزيئات المحايدة (n)، نصف القطر الذري (ratom) ونصف القطر الأيوني (rion)، وأجرى انحدارات خطية مفردة وانحدارات خطية متعددة على الأنظمة المغلقة (Closo-SSEs) والمتداخلة (Nido-SSEs). يتمتع النظام المتداخل (نظام BH₄) بقيمة R² أعلى، ويمكن لنموذج الانحدار الخطي المتعدد (مثل Eₐ=a₁P₁+a₂P₂+b) توحيد أنواع SSE المختلفة بشكل فعال، كما هو موضح في الشكل أدناه.تكون قدرة التنبؤ قوية في SSEs ثنائية التكافؤ التي تحتوي على جزيئات محايدة، حيث تصل قيم R² إلى 0.91 وما فوق.
وبناءً على النماذج والتحليلات المذكورة أعلاه،ويتوقع فريق البحث إنتاج هيدريد ثنائي التكافؤ عالي الأداء SSE،تم دمج الخوارزمية الوراثية (GA) مع حزمة برامج USPEX لتنفيذ التنبؤ بالبنية البلورية واستكشاف الهياكل المستقرة. على سبيل المثال، M(BH₄)₂・ 6(CH₃)₂CHNH₂「MBCCN」، يتم تنسيق كاتيونه مع جزيئين [BH₄]⁻ وجزيئين محايدين.تشير طاقة التكوين إلى أن البنية مستقرة، ويتحقق محاكاة MetaD من أن قيمة Eₐ الخاصة بها قريبة من القيمة المتوقعة مع خطأ يبلغ حوالي 0.05 إلكترون فولت.
الذكاء الاصطناعي يقود البحث والتطوير في مجال الإلكتروليتات الصلبة: من الابتكار إلى التصنيع
في مجال أبحاث إلكتروليتات الحالة الصلبة، يخضع الذكاء الاصطناعي لتحول عميق من أداة مساعدة إلى قوة دافعة أساسية، مما يؤدي إلى تغيير أساسي في نموذج البحث والتطوير المادي. وقد حققت العديد من فرق البحث العلمي والشركات حول العالم نتائج ملحوظة في هذا التحول. قام الفريق بقيادة الأكاديمي أويانغ مينغغاو من جامعة تسينغهوا في الصين ببناء نظام بحث وتطوير ذكي كامل السلسلة من "قراءة الأدبيات بالذكاء الاصطناعي، وكتابة التقارير بالذكاء الاصطناعي، وحساب النماذج بالذكاء الاصطناعي، وتحسين الذكاء الاصطناعي"، مما أدى إلى تقصير دورة تطوير مواد البطاريات التقليدية بشكل كبير من عدة سنوات إلى عدة أشهر.قامت الشركة بتطوير قاعدة بيانات ديناميكية للإلكتروليتات الصلبة (DDSE) والتي قامت بدمج بيانات أكثر من 25000 مادة تجريبية.وباستخدام نموذج اللغة الكبير، تم تحقيق اختراق حيث كان خطأ التنبؤ بالتوصيل الأيوني أقل من 5%.
تعاونت شركة تويوتا مع شركة Idemitsu Kosan Co.، Ltd. اليابانية لاستخدام خوارزميات الذكاء الاصطناعي لتحسين استقرار واجهة إلكتروليت الكبريتيد. العينة الكاملة من البطارية ذات الحالة الصلبة التي قاموا بتطويرها لها دورة حياة تزيد عن 2000 مرة وكثافة طاقة تبلغ 400 واط في الساعة / كجم. ومن المقرر أن يبدأ الإنتاج الضخم في عام 2027. وقد استخدم فريق Microsoft Azure Quantum نموذج الذكاء الاصطناعي لفحص 32 مليون تركيبة مادية واكتشف إلكتروليتًا صلبًا قائمًا على الصوديوم ذو موصلية أيونية مماثلة للمواد القائمة على الليثيوم ولكن بتكلفة أقل بمقدار 70%. وقد دخلت النتائج ذات الصلة مرحلة التجربة. يتنبأ نموذج GNOME الخاص بشركة DeepMind بوجود 2.2 مليون مادة جديدة، بما في ذلك 528 موصل أيوني سريع من الليثيوم.نجح مختبرها الروبوتي الذي تم تطويره بشكل مستقل في تصنيع 736 مادة متوقعة بمعدل دقة تحقق يبلغ 80%.
رابط الورقة:
https://www.nature.com/articles/s41586-023-06735-9
ولا تؤدي هذه الاختراقات إلى تحسينات كبيرة في أداء المواد فحسب، بل وتعزز أيضًا الابتكارات العميقة في نماذج البحث والتطوير. على سبيل المثال،استخدم فريق من جامعة شنغهاي جياو تونغ التعلم الآلي لفحص 12 إلكتروليتًا عالي الاستقرار من 29000 بنية من العقيق.الكفاءة الحسابية أعلى بـ 95 مرة من كفاءة طرق DFT التقليدية.
رابط الورقة:
https://www.sciencedirect.com/science/article/abs/pii/S2211285521005929
تقوم قاعدة البيانات الديناميكية (DDSE) التي أنشأتها جامعة توهوكو في اليابان بتحديث البيانات التجريبية العالمية في الوقت الفعلي وتجمع بين تنبؤات الذكاء الاصطناعي لتوفير إرشادات تصميم المواد لأكثر من 100 شركة. أنشأت شركة CATL، الشركة الرائدة في الصين في مجال تكنولوجيا ابتكار الطاقة الجديدة، منصة تصميم ذكية لمواد البطاريات.ويحتوي على أكثر من 180 مليون قطعة من البيانات الجزيئية ومليون قطعة من بيانات الكريستال، بالإضافة إلى أكثر من 10 قواعد بيانات خاصة بالبحث والتطوير مثل الأقطاب الكهربائية الموجبة والأقطاب الكهربائية السالبة والإلكتروليتات.تتمتع بقوة حسابية تزيد عن 1 بي فلوبس ويمكنها إكمال فحص المواد والتحقق من الحلقة المغلقة في غضون 90 يومًا. بالإضافة إلى ذلك، أثبتت الذكاء الاصطناعي مزايا فريدة في حل مشاكل واجهة المواد الصلبة. يعمل نموذج الترطيب النانوي الذي طوره فريق Zhang Qiang في جامعة Tsinghua على تحسين توزيع إجهاد الواجهة من خلال الذكاء الاصطناعي، مما يؤدي إلى زيادة عمر دورة البطارية بمقدار 3 مرات.
رابط الورقة:
https://pubs.acs.org/doi/10.1021/jacs.4c08115
في الوقت الحاضر، يعمل التكامل العميق بين الذكاء الاصطناعي والإلكتروليتات الحالة الصلبة على تسريع عملية التصنيع. وتخطط تويوتا لإطلاق بطارية صلبة بالكامل مزودة بإلكتروليت مصمم بالذكاء الاصطناعي، ومن المتوقع أن يصل مداها إلى أكثر من 1000 كيلومتر. يبلغ معدل إنتاج خط إنتاج إلكتروليت الكبريتيد التابع لشركة CATL 95%، ومن المتوقع أن تتجاوز طاقته الإنتاجية 1000 طن في عام 2025. وتتيح طبيعة المصدر المفتوح للنماذج الرأسية الكبيرة مثل DeepSeek للشركات الصغيرة والمتوسطة الحجم الوصول إلى قدرات البحث والتطوير في مجال الذكاء الاصطناعي بتكلفة منخفضة.تعزيز تحسين الكفاءة على مستوى الصناعة بواقع 1-2 من حيث الحجم.وتشير هذه التطورات إلى أن البحث والتطوير في مجال بطاريات الحالة الصلبة قد دخل عصر "الإبداع الذكي" من خلال "الاستكشاف بالتجربة والخطأ"، وأن الذكاء الاصطناعي أصبح المحرك الأساسي لكسر الاختناقات المادية وتسريع التكرار التكنولوجي.
المقالات المرجعية:
1.https://baijiahao.baidu.com/s?id=1824647127596448596&wfr=spider&for=pc
2.https://stock.stockstar.com/RB2025012400049753.shtml
3.https://www.toyota.com.cn/toyotatimes/tinfo/index.php?t_id=559&lmid=100
4.http://www.istis.sh.cn/cms/news/article/45/26764
5.https://baijiahao.baidu.com/s?