مع التوسع السريع لسوق بطاريات الطاقة الجديدة، وخاصة التطبيق الواسع النطاق لبطاريات الليثيوم أيون، وبطاريات الحالة الصلبة، وبطاريات الكثافة العالية للطاقة، أصبح تحسين أداء الإلكتروليت عاملاً رئيسياً يحدد سلامة البطارية وكفاءتها وعمرها الافتراضي.

تُشكّل كيمياء المذيبات الملحية أساس سلوك الإلكتروليت في معظم أنظمة بطاريات الليثيوم أيون، إذ تُحدّد خصائص رئيسية مثل الموصلية الأيونية واللزوجة والاستقرار الكيميائي. مع ذلك، فإنّ تصميمها المنطقي مُقيّد بمساحة كيميائية واسعة تشمل عددًا لا يُحصى من التركيبات وعلاقات غير خطية بين البنية والأداء. كما أنّ ندرة البيانات التجريبية وتوزيعها غير المتساوي يُفاقمان هذه المشكلة، ما يُعيق قدرة النماذج على التعميم. في السنوات الأخيرة، ورغم إحراز بعض التقدم في اكتشاف الإلكتروليتات ذاتيًا باستخدام الذكاء الاصطناعي،ومع ذلك، لا تزال الأبحاث الحالية تفتقر بوضوح إلى نموذج حسابي موحد يمكنه الحفاظ على قابلية التفسير المتأصلة أثناء استكشاف المساحة الكيميائية الشاسعة التي تغطيها تركيبات الإلكتروليت واسعة النطاق.

وفي هذا السياق،قام فريق بحثي من جامعة كورنيل بتطوير إطار عمل قوي وقابل للتفسير وفعال من حيث البيانات، وهو SCAN، لنمذجة وتفسير كيمياء الملح والمذيب.يُعالج هذا الإطار بفعالية البيانات ذات التوزيعات الطويلة ويُغطي كامل نطاق تركيبات الملح والمذيب. وقد طبّق الباحثون تقنية SCAN على أنظمة الإلكتروليت غير المائي (NAE)، محققين خطأً أساسياً قدره 0.372 ملي سيمنز/سم في التنبؤ بالتوصيلية، مما قلل خطأ التنبؤ بمقدار 65.31 TP³T مقارنةً بالنموذج الأساسي.

والأهم من ذلك، أن التحقق على نطاق واسع يُظهر أنحقق النموذج معدل نجاح في التنبؤ بلغ 81.08% للأنظمة المرشحة الأعلى تصنيفًا.بالإضافة إلى قدراتها التنبؤية، يكشف برنامج SCAN عن الآلية الكيميائية من خلال إدخال فصل التدرج، والانحدار الرمزي، والحسابات الكيميائية الكمية للكشف عن تأثير المرونة الجزيئية وتفاعلات الأيونات والمذيبات على الموصلية.

وقد نُشرت نتائج البحث ذات الصلة، بعنوان "إطار عمل قابل للتفسير موجه بالتوجيه الديناميكي لكيمياء الملح والمذيب"، في مجلة Nature Computational Science.

أبرز الأبحاث:

* يسد مشروع SCAN فجوة رئيسية في أبحاث كيمياء المذيبات الملحية عالية الأداء بتقنية NAE.

استلهامًا من نموذج سطح طاقة الوضع المتمركز حول الذرة، قمنا بتطوير شبكة متعددة الميزات (MFNet) مع تمثيل مخصص وآلية انتباه تتمحور حول الواصفات.

* بشكل مبتكر، تم إدخال استراتيجية توجيه ديناميكية في MFNet، مما يُمكّن النموذج من التنبؤ بدقة بالتوصيل الأيوني على نطاق واسع دون تغيير توزيع البيانات الأصلي.

عنوان الورقة:
https://www.nature.com/articles/s43588-026-00955-5
تابع حسابنا الرسمي على WeChat وأجب بكلمة "SCAN" في الخلفية للحصول على ملف PDF كامل.

يتم تغطية أبعاد البيانات على نطاق واسع

من أجل تدريب نموذج مسح ضوئي عالي الدقة،قام فريق البحث بإنشاء مجموعة بيانات CALiSol، والتي تتضمن 13 ملحًا من أملاح الليثيوم و38 مذيبًا عضويًا (كما هو موضح في الشكل أدناه)، بإجمالي 13302 مدخل بيانات كاملة.

أبعاد البيانات واسعة النطاق، وتحتوي كل نقطة بيانات على ما يلي:

* الموصلية الأيونية k: 0–38.1 ملي سيمنز/سم

* درجة الحرارة T: 194.15–477.42 كلفن

* تركيز الملح ج: 0-4 مول/لتر أو مول/كجم

* أنواع أملاح الليثيوم: LiPF₆، LiTFSI، LiFSI، LiBOB، إلخ، بإجمالي 13 نوعًا.

* أنواع المذيبات: بما في ذلك كربونات الإيثيلين (EC)، وكربونات ميثيل الإيثيل (EMC)، وبروبيونيتريل (AN)، وغيرها الكثير.

* استراتيجية SRT المختلطة: النسبة المولية أو الحجمية أو الكتلية

تم تحويل المعلومات الجزيئية لجميع أملاح الليثيوم والمذيبات إلى إحداثيات جزيئية ثلاثية الأبعاد باستخدام متواليات SMILES، وأُجري تحسين هندسي على المستوى النظري B3LYP/6-31G لضمان دقة وموثوقية البنية الجزيئية والخصائص الإلكترونية. من خلال هذه الطريقة،لا توفر مجموعة البيانات قيم التوصيل الأيوني فحسب، بل توفر أيضًا الخصائص الجزيئية والمعلومات الهيكلية وبيئة الذوبان لكل نظام.توفير مدخلات غنية لنماذج الذكاء الاصطناعي، مع تحقيق التوازن بين سلامة البيانات وقابلية التفسير العلمي.

أثناء بناء مجموعة البيانات، أولى فريق البحث اهتمامًا خاصًا لمشكلة البيانات ذات الذيل الطويل (LTD): عدد الأنظمة عالية التوصيل محدود، بينما تكون موصلية معظم الأنظمة منخفضة - k < 5 mS·cm⁻¹ لـ 9115 NAEs (حوالي 68.5%)، و k > 20 mS·cm⁻¹ لـ 67 فقط (حوالي 0.5%).

المسح الضوئي: يستخدم MFNet وآليات التوجيه الديناميكي

SCAN هي منصة هندسية لشبكات الحاسوب (NAE) تعتمد على التوجيه الديناميكي. يوضح الرسم التخطيطي التالي سير العمل الكامل لها:

تحليل

  تم إنشاء مجموعة بيانات تجريبية عالية الدقة، تغطي مجموعة متنوعة من تركيبات أملاح الليثيوم والمذيبات والظروف التجريبية. أُجري تحليل إحصائي على كل متغير، بما في ذلك توصيف التوزيع ذي الذيل الطويل لقيم k.

تصميم

  تم تصميم بصمات جزيئية تحتوي على معلومات كيميائية لأملاح الليثيوم والمذيبات على التوالي، وتم دمجها مع الترميز الشرطي لتوصيف تركيبات الملح والمذيب والظروف بدقة.

يتعلم

تم تطوير شبكة دمج متعددة الميزات (MFNet) مخصصة للتنبؤ بقيمة k لـ NAEs. تم بناء وحدات انتباه مستقلة من خلال تضمين بيانات الاستعلام والمفتاح والقيمة للتعامل مع تمثيلات الملح والمذيب والحالة على التوالي، ثم دمجها باستخدام شبكة عصبية متصلة بالكامل. بالإضافة إلى ذلك، تم تقديم استراتيجية توجيه ديناميكية لتحسين أداء النموذج ومتانته.

يتنبأ

تم إنشاء مسار فحص عالي الإنتاجية لتحديد المركبات النشطة المحتملة من بين أكثر من عشرة ملايين تركيبة من الملح والمذيب. تم التحقق من صحة الأنظمة المرشحة ذات قيم k المتوقعة العالية باستخدام محاكاة الديناميكا الجزيئية، بما في ذلك تقليل الطاقة، والمجموعة الكنسية، والمجموعة متساوية الحرارة والضغط، ومحاكاة إنتاج الديناميكا الجزيئية، وتحليل متوسط مربع الإزاحة، وحسابات دالة التوزيع الشعاعي.

تُعدّ شبكة MFNet وآلية التوجيه الديناميكي جوهر الإطار بأكمله، والآليات المحددة هي كما يلي:

شبكة MFNet: شبكة الانتباه الذاتي متعددة القنوات

يستوحي إطار عمل MFNet (شبكة الميزات الجزيئية) من نموذج سطح الجهد المركزي الذري، حيث يقسم الشبكة إلى ثلاث شبكات فرعية مستقلة، كل منها تتعامل مع وظائف مختلفة:

* شبكة ملح الليثيوم الفرعية: في مجموعة بيانات CALiSol، تحتوي كل NAE على نوع واحد فقط من ملح الليثيوم، لذلك يتم إدخال متجه الوصف الخاص بها مباشرة في شبكة ملح الليثيوم الفرعية.

* شبكة المذيبات الفرعية: نظرًا لأن بعض نقاط البيانات تتضمن مذيبات متعددة (على سبيل المثال، PC و AN ممزوج بنسبة 0.9:0.1)، يتم حساب متوسط قيمة هذه الواصفات للمذيبات كمدخلات لتعكس بيئة المذيبات الكلية.

* الشبكة الفرعية الشرطية: تتعامل مع الظروف التجريبية مثل درجة الحرارة والتركيز.

بعد وحدة الانتباه الذاتي، تُستخدم طبقتان مخفيتان متصلتان بالكامل للإسقاط التدريجي والتحويل غير الخطي للمدخلات، مما يُولّد ميزات عالية الأبعاد لتعزيز قدرة المعالجة اللاحقة على التعبير. وتُستخدم دالة التنشيط غير الخطية ReLU بين الطبقات لزيادة تحسين قدرة النموذج على التمثيل.

تتألف بنية الشبكة النهائية مما يلي: شبكة فرعية لملح الليثيوم (14-16-16)، وشبكة فرعية للمذيب (14-16-16)، وشبكة فرعية شرطية (6-16-16). تُغذّى المخرجات المحتملة ذات الأبعاد الجوهرية (أبعاد الميزات <128) إلى وحدة دمج موزونة لحساب المخرجات الموزونة مع الحفاظ على معلومات التبعية العامة لميزات الإدخال. وبما أن ترميز ميزات ملح الليثيوم والمذيب والميزات الشرطية يُعالَج بشكل مستقل بواسطة الشبكات الفرعية الثلاث، يُمكن استخدام آلية الانتباه الذاتي أحادي الرأس (SHA) لمعالجة بيانات الميزات صغيرة النطاق (14 و14 و6 أبعاد على التوالي) بكفاءة، مما يجعلها مناسبة تمامًا للمهام ذات أبعاد التضمين المنخفضة.

آلية التوجيه الديناميكي: حل مشكلة البيانات ذات الذيل الطويل

في التوزيع ذي الذيل الطويل، تتركز عينات البيانات بشكل أساسي في "المنطقة الأمامية"، بينما تكون العينات في "المنطقة الخلفية" نادرة. ومع ذلك، غالبًا ما تُفرط النماذج التقليدية في التخصيص لعينات المنطقة الأمامية وتتجاهل المنطقة الخلفية، مما يؤدي إلى استكشاف غير كافٍ للمساحة الكيميائية المهمة ولكن النادرة. ولمعالجة هذه المشكلة، تُقدم هذه الدراسة استراتيجية توجيه ديناميكية في MFNet. على عكس البنية القياسية التي تُعامل جميع العينات على قدم المساواة،يتعلم التوجيه الديناميكي آلية البوابات الناعمة لتعيين قدرات تمثيل مختلفة بشكل تكيفي للطبقات المختلفة بناءً على مدخلات الطبقة.كما هو موضح أدناه:

تُمكّن هذه الآلية العينات النادرة من تفعيل مسارات توجيه مختلفة وتسهيل الحساب الشرطي، مما يُحسّن قدرة التعميم للفئات منخفضة التردد. وتتمثل سماتها الرئيسية فيما يلي:

* أوزان التوجيه المعتمدة على المدخلات: أي اختيار مساحة فرعية للميزات لكل عينة دون تعديل دالة الخسارة الأصلية أو توزيع البيانات؛

* فصل الميزات التكيفي حسب الفئة: يتضمن هذا نمذجة الفرق بين الفئات السائدة والفئات الطرفية بشكل صريح، مما يدل على أن التوجيه الديناميكي يوفر حلاً أكثر مرونة وقابلية للتفسير لفقدان البيانات على المدى الطويل مقارنة بإعادة تشكيل الفقد الثابت البسيط.

قابلية التفسير: تحليل الانحدار الخطي المعمم والانحدار الرمزي

يوفر برنامج SCAN إمكانية تفسير البيانات الكيميائية مع التنبؤ بدقة بالتوصيل الأيوني:

* GBA (النسبة القائمة على التدرج اللوني):نظرًا لأن نموذج SCAN يستخدم إطار عمل شبكة عصبية انتباهية ثلاثية التوازي، فإن عملية اتخاذ القرار فيه أكثر تعقيدًا من حيث التصور مقارنةً بنماذج الشجرة. ولتحديد العوامل الكيميائية الرئيسية المؤثرة على k، استُخدمت طريقة GBA لتقييم أهمية الميزات، وذلك بحساب مساهمة تدرج كل ميزة مُدخلة في مُخرجات النموذج، وتحديد أهم ميزات ملح الليثيوم والمذيب والشروط.

* الانحدار الرمزي:لاكتشاف علاقة وظيفية قابلة للتفسير بين معلومات ملح الليثيوم الرئيسية والمذيب والظروف و kkk، تم استخدام طريقة الانحدار الرمزي القائمة على PySRRegressor.

يتفوق نموذج SCAN باستمرار على جميع النماذج الأساسية.

لتقييم أداء إطار عمل SCAN بشكل شامل باستخدام MFNet والتوجيه الديناميكي، قام الباحثون ببناء أربعة نماذج أساسية تعتمد على MFNet.لا يحتوي أي منها على توجيه ديناميكي: (1) نموذج MFNet الأساسي: B1 (واصف غير معالج) وB₂(مقياس الواصف حسب القيمة القصوى)؛ (2) نموذج MFNet يجمع بين تقنية زيادة تمثيل الفئة الأقلية SMOTE: S₁–S₁₈(3) نموذج MFNet الذي يجمع بين تقنية أخذ العينات من أقرب جار (KUTE): U₁-U₉(4) نموذج MFNet يجمع بين SMOTE و KUTE: SU₁–SU₉ .

في الوقت نفسه، استُخدمت نماذج قائمة على المحولات، وشبكات عصبية بيانية (GNNs)، وانحدار متجه الدعم (SVR)، وتعزيز التدرج المتطرف (XGBoost) كمقارنات أساسية، كما هو موضح في الشكل أدناه. علاوة على ذلك، تم تطبيق نماذج SCAN التي تستخدم هياكل انتباه أحادي الرأس (SHA) أو انتباه متعدد الرؤوس (MHA) وأعدادًا مختلفة من طبقات التوجيه الديناميكي (η = 2–10) للتحقق من متانة النموذج.

تقييم أداء الأكاديمية الوطنية للهندسة

تُظهر النتائج الموضحة في الشكل أدناه أن نموذج SCAN باستخدام SHA (η = 9) يتفوق باستمرار على جميع النماذج الأساسية، حيث يُظهر أخطاء تنبؤ أقل بكثير (RMSE 0.769 ملي سيمنز/سم، MAE 0.372 ملي سيمنز/سم) وقيمة R² أعلى (0.969). تجدر الإشارة إلى أن...بالمقارنة مع أفضل أداء لشبكة GNN الأساسية في MAE (1.072 mS·cm⁻¹)، تم تقليل الخطأ بمقدار 65.31 TP3T.أداء SCAN باستخدام MHA (η = 4) قابل للمقارنة مع أداء إصدار SHA، مما يشير إلى أن MFNet يتمتع بمتانة جيدة في التكامل مع التوجيه الديناميكي.

أيضًا،قام الباحثون برسم منحنيات خسارة التحقق من صحة SCAN ونموذج أساسي تمثيلي على مدى 1000 دورة تدريبية.كما هو موضح في الشكل أدناه، منذ بداية التدريب، يكون خطأ التنبؤ لـ SCAN أقل بكثير من خطأ النموذج الأساسي، مع خسارة أولية تبلغ 4.59 ملي سيمنز/سم فقط، وتستمر خسارة التحقق من صحته في الانخفاض وتتقارب إلى مستوى أقل، مما يشير إلى أنه يتمتع باستقرار وقدرة تعميم أقوى.

قدرة فحص NAE عالية الإنتاجية

يُمكن للمسح عالي الدقة استكشاف النطاق الكيميائي الواسع لمركبات NAE بكفاءة. ولتحقيق هذه الغاية، طوّر الباحثون عملية فحص عالية الإنتاجية (كما هو موضح في الشكل أدناه) مصممة لتحديد مركبات NAE ذات ثابت العزل الكهربائي العالي.وبناءً على ذلك، تم توليد 11,515,140 من المركبات المحتملة ثنائية المذيبات NAE.

بفضل القدرة التنبؤية لتقنية SCAN، تم تحديد 56,092 من المركبات العضوية غير المتجانسة (NAEs) ذات قيمة k ≥ 15 ملي سيمنز/سم بسرعة، منها 18,662 مركباً ذات هامش خطأ تنبؤي منخفض (<3 ملي سيمنز/سم). تُسهم هذه العملية بشكل كبير في تقليل العبء الحسابي والتكاليف اللازمة لمحاكاة ديناميكيات الجزيئات والتجارب.

التحقق من صحة الإلكتروليتات غير المائية المرشحة (NAEs)

للتحقق بدقة من صحة التوقعات، أجرى الباحثون محاكاة ديناميكية جزيئية (MD) للحصول على قيمة k. وبناءً على درجة الحرارة (T) والتركيز (c) والظروف الفعلية، حصروا نطاق التحقق من صحة المحاكاة الديناميكية الجزيئية في أنظمة NAE المرشحة القائمة على LiFSI وLiTFSI وLiBOB، واختاروا في النهاية 37 نظامًا واعدًا للدراسة التفصيلية، كما هو موضح في الشكل أدناه:

يبلغ متوسط وقت الحساب لكل نظام حوالي 10 ساعات (36355.12 ثانية)، وتُقدّر تكلفة محاكاة 10⁷ نظام مرشح بحوالي 10⁸ ساعة من ساعات وحدة معالجة الرسومات (GPU)، وهو ما يتجاوز بكثير القدرات العملية للاختيار المنهجي القائم على التجربة والخطأ، حتى في ظل ظروف الحوسبة عالية الأداء المثالية. بالمقارنة،يمكن لنموذج SCAN المدرب جيدًا إكمال العملية بأكملها من حساب الواصفات إلى التنبؤ النهائي في أقل من 5 ثوانٍ لكل نظام مرشح، مما يقلل التكاليف الحسابية بأكثر من 7200 مرة.يُحسّن هذا بشكلٍ ملحوظ قابلية التوسع والكفاءة. ويُبرز هذا ضرورة إطار عمل SCAN في اكتشاف NAE، حيث يمكن لنموذجه البديل تحديد أولويات المرشحين ذوي الأداء العالي بسرعة وبتكلفة حسابية منخفضة للغاية.

يوضح الشكل (ب) (القيم المطلقة للمعاملات غير الخطية المعتمدة على LiFSI وLiTFSI) والشكل (أ) (القيم المطلقة للمعاملات غير الخطية المعتمدة على LiBOB) أدناه متوسط مربع الإزاحة (MSD) مع مرور الوقت ومعامل الانتشار المقابل المُستخلص من محاكاة الديناميكا الجزيئية. يُظهر متوسط مربع الإزاحة لجميع الأنظمة زيادة خطية ثابتة، مما يدل على استقرار المحاكاة وتقاربها. تتوافق قيم k المُتوقعة بواسطة SCAN بشكل كبير مع نتائج محاكاة الديناميكا الجزيئية، بانحراف متوسط قدره 3.198 ملي سيمنز/سم فقط، وانحراف أقصى قدره 7.342 ملي سيمنز/سم. في أنظمة التحقق: بالنسبة لـ 25 نظامًا بقيمة k > 15 ملي سيمنز/سم، بلغ معدل النجاح 67.571TP⁻¹. أما بالنسبة للأنظمة ذات قيمة k المُتوقعة > 14 ملي سيمنز/سم، فقد ارتفع معدل نجاح التحقق إلى 81.081TP⁻¹.

يعيد الذكاء الاصطناعي تشكيل النموذج الأساسي لأبحاث وتطوير البطاريات.

تُعدّ البطاريات، باعتبارها عنصرًا أساسيًا في تطبيقات رئيسية كالإلكترونيات الاستهلاكية والمركبات الكهربائية وأنظمة تخزين الطاقة في الشبكات الكهربائية، محركًا رئيسيًا للتحول العالمي نحو الطاقة المستدامة. ويُشكّل تحسين كثافة الطاقة والقدرة، وإطالة عمر دورة الشحن والتفريغ، وتعزيز السلامة، وخفض تكاليف التصنيع، الأهدافَ الأساسية لأبحاث وتطوير البطاريات. ويكمن مفتاح تحقيق هذه الأهداف في فهم عميق للآليات الكهروكيميائية داخل البطاريات، بما في ذلك على وجه التحديد تفاعلات الواجهة الكهروكيميائية وآليات الاستقرار، واقتران ونقل الإلكترونات والأيونات، وآليات تخزين الطاقة في مواد الأقطاب الكهربائية من الجيل التالي.

من منظور أوسع للتطور التكنولوجي، يُصبح نموذج "النمذجة القائمة على البيانات والقابلة للتفسير"، الذي يُمثله إطار عمل SCAN، عنصرًا هامًا في نظام البحث والتطوير للبطاريات من الجيل التالي. فعلى مدى العقود القليلة الماضية، اعتمد الابتكار في أنظمة مواد البطاريات بشكل أساسي على التجارب القائمة على الخبرة والتجربة والخطأ، مما أدى إلى دورات تطوير طويلة وتكاليف باهظة. إلا أنه مع دمج التعلم الآلي والحوسبة عالية الإنتاجية، أصبح البحث والتطوير في مجال البطاريات أكثر كفاءة.

على سبيل المثال،قام كل من وين يان وشينغ غونغ، من بين آخرين، من فريق Seed التابع لشركة ByteDance، بتطوير إطار عمل موحد لتصميم تركيبات الإلكتروليت يدمج نماذج التنبؤ الأمامي مع طرق التوليد العكسي.جمع الباحثون بيانات منشورة على نطاق واسع حول الجزيئات المفردة (أكثر من 240,000 جزيء) والمخاليط الجزيئية (أكثر من 10,000 خليط جزيئي) مع تحديد خصائصها، مما غطى بذلك مجال تصميم الإلكتروليتات بشكل شامل. ومن خلال دمج أكثر من 100,000 بيانات عن المخاليط الجزيئية من محاكاة الديناميكا الجزيئية، تمكنوا من تدريب نموذج دقيق للتعلم الآلي قادر على التنبؤ ليس فقط بالموصلية، بل أيضاً ببنية الانصهار المتعلقة باستقرار الأسطح البينية لبطاريات الليثيوم المعدنية.

عنوان الورقة البحثية: حل تنبؤي وتوليدي موحد لصياغة الإلكتروليت السائل
رابط الورقة:

https://www.nature.com/articles/s42256-025-01173-w

بشكل عام، يُعيد الذكاء الاصطناعي تشكيل النموذج الأساسي لأبحاث وتطوير البطاريات. ومع التكامل العميق بين النماذج والأنظمة التجريبية، من المتوقع أن تدخل سرعة اكتشاف مواد البطاريات وكثافة ابتكارها مرحلةً جديدةً متسارعة.

مراجع:
https://www.nature.com/articles/s43588-026-00955-5
https://phys.org/news/2026-02-ai-framework-reveals-chemistry-high.html
https://static-content.springer.com/esm/art%3A10.1038%2Fs43588-026-00955-5/MediaObjects/43588_2026_955_MOESM1_ESM.pdf
https://www.eet-china.com/mp/a471613.html