Nach 30 Jahren Beharrlichkeit Strebt Das MIT Die Nächste Generation Von Lithiumbatterien an Und Nutzt Generative KI, Um Einen Großen Durchbruch Bei Festelektrolyten Zu Erzielen
Im Keller von Gebäude 4 am MIT gibt es ein Labor, das von den Studenten „Wiege der Innovation“ genannt wird – Labor 4-061. Hier,Professor Donald Sadoway begann seine Forschungen zu Lithium-Metall-Batterien mit festem Polymerelektrolyt (SPE) Ende der 1990er Jahre.Dieses Labor war Zeuge zahlloser Tage und Nächte harter Arbeit und zahlloser Fehlschläge bei den Experimenten, doch es waren auch diese Herausforderungen, die zu innovativen Entdeckungen führten, die die Welt verändert haben.
In den letzten drei Jahrzehnten hat das MIT seine Forschung zu festen Polymerelektrolyten (SPEs) nie verlangsamt. Angesichts der rasanten Entwicklung der künstlichen Intelligenztechnologie startet das Forschungsteam am MIT eine Reihe innovativer Forschungsarbeiten mit Hilfe von maschinellem Lernen und datengesteuerten Strategien. Sie nutzen fortschrittliche Algorithmen und riesige Datenmengen, um die Grenzen herkömmlicher Materialien zu durchbrechen und neue Möglichkeiten für die Zukunft der Batterietechnologie zu eröffnen.
Vor nicht allzu langer Zeit,Forschungsteams vom MIT und dem Toyota Research Institute arbeiteten zusammen, um mithilfe der Technologie der generativen künstlichen Intelligenz Polymerelektrolyte völlig neu zu gestalten.Sie verglichen das GPT-basierte minGPT mit den diffusionsbasierten 1Ddiffusion- und Diffusions-LM-Modellen und verwendeten Vortrainings- und Feinabstimmungsmethoden, um erfolgreich eine große Anzahl neuartiger, vielfältiger und potenziell anwendungswürdiger Polymere zu erstellen. Diese Errungenschaft zeigt nicht nur das große Potenzial der künstlichen Intelligenz im Bereich des Materialdesigns, sondern verleiht auch der Entwicklung von Festkörperelektrolyten neue Dynamik. Antworten Sie im Hintergrund des offiziellen Kontos mit „Elektrolyt“, um den Originaltext des Dokuments zu erhalten.
Die Hoffnung für die nächste Generation von Lithiumbatterien: KI-gestützte Durchbrüche bei festen Polymerelektrolyten
Feste Polymerelektrolyte (SPEs) gelten allgemein als vielversprechende Kandidaten für Lithium-Ionen-Batterien der nächsten Generation.Im Vergleich zu flüssigen Elektrolyten weisen sie erhebliche Vorteile hinsichtlich Sicherheit, Energiedichte und Fertigungsleistung auf. Allerdings ist die Ionenleitfähigkeit von SPEs üblicherweise um mehrere Größenordnungen geringer als die von kommerziellen Flüssigelektrolyten, eine Eigenschaft, die ihre praktische Anwendung stark einschränkt. Um dieser Herausforderung zu begegnen, haben Forscher umfangreiche experimentelle und rechnerische Studien durchgeführt.
Einerseits haben Forscher herausgefunden, dass Data Mining neue Lösungen für das Verständnis der Beziehung zwischen Materialstruktur und -eigenschaften bietet. Bereits 2021 veröffentlichte ein Forschungsteam der Shanghai Jiao Tong University eine Studie mit dem Titel „Harnessing Artificial Intelligence to Holistic Design and Identification for Solid Electrolytes“ in der Fachzeitschrift Nano Energy. Sie kombinierten Modelle des maschinellen Lernens und begrenzte DFT-Berechnungen, um aus mehr als 29.000 entworfenen Granatstrukturen (Garnet Solid State Electrolyte) schnell 12 Kandidaten mit extrem niedriger elektronischer Leitfähigkeit bei Raumtemperatur herauszufiltern. Diese Methode verkürzt den Screening-Zyklus rechnerisch um mindestens 95 Jahre und eröffnet neue Ideen und Methoden für die Entwicklung und Entdeckung von Festkörperelektrolyten.
Link zum Artikel:
https://www.sciencedirect.com/science/article/pii/S2211285521005929
Bis 2023 erstellte ein Forschungsteam der Tohoku-Universität in Japan in einer Studie mit dem Titel „Die dynamische Datenbank für Festkörperelektrolyte (DDSE)“ eine dynamische Datenbank mit Festkörperelektrolyten für Batterien und nutzte maschinelles Lernen zur Vorhersage der Ionenleitfähigkeit, um eine Leistungsreferenz für neue, experimentell synthetisierte Materialien bereitzustellen.
Link zum Artikel:
https://www.sciencedirect.com/science/article/pii/S258996512300034X
Andererseits sind Forscher auch bestrebt, durch die Erforschung neuer Materialien die Ionenleitfähigkeit von Polymeren zu verbessern. Obwohl bei gängigen Methoden wie Hochtemperaturbetrieb, Zugabe von Hilfsadditiven und Copolymerisation gewisse Fortschritte erzielt wurden, basieren sie derzeit meist auf Polyethylenoxid (PEO). Aufgrund der Einschränkungen des Materials selbst ist PEO-Material zu einem großen Hindernis für die Entwicklung der SPE-Technologie geworden. Allerdings ist die Erforschung von Nicht-PEO-Polymeren zum jetzigen Zeitpunkt noch relativ begrenzt. Um einen breiteren Bereich nicht-PEO-Polymere zu erkunden, werden maschinelles Lernen und datengesteuerte Methoden zunehmend zur Vorhersage von Polymereigenschaften und zum inversen Design eingesetzt.
Obwohl KI die Entdeckung neuer Polymere beschleunigen kann, bringt sie auch einzigartige Herausforderungen mit sich. Generell hängt die Genauigkeit von KI-Vorhersagen von einem umfangreichen, vielfältigen und umfassenden Ausgangsdatensatz ab. Daher sind qualitativ hochwertige Daten von entscheidender Bedeutung. Darüber hinaus ist die Entwicklung eines Algorithmus zur Erzeugung chemisch realistischer und synthetisierbarer Polymere eine komplexe Aufgabe. Daher sticht das generative Design unter den verschiedenen Methoden des maschinellen Lernens durch seine Fähigkeit hervor, aus Daten zu lernen und neue Kandidatensubstanzen zu schaffen. Dieser Ansatz soll nicht nur die Polymerdatenbanken durch Lernen aus vorhandenen Daten erweitern, sondern auch dazu beitragen, das Design von Polymermaterialien an bestimmte Ziele anzupassen.
Allerdings gibt es derzeit nur wenige Studien, die diese fortschrittlichen generativen KI-Techniken zur Polymererzeugung nutzen. Untersuchung der Anwendung generativer KI-Techniken in Nicht-PEO-Materialien, insbesondere im Bereich der Polymerelektrolyte mit strukturell stark zufälligen amorphen Materialien,In einer aktuellen Studie hat sich ein Forschungsteam des MIT und des Toyota Research Institute mit der Komplexität verschiedener fortschrittlicher generativer Modelle bei der Polymererzeugung befasst und eine De-novo-Designmethode vorgeschlagen, mit der kontinuierlich neue GPT- und diffusionsbasierte Polymerelektrolyte erzeugt und bewertet werden können, wodurch neue Kandidaten für experimentelle Tests bereitgestellt werden.
minGPT übertrifft Diffusionsmodelle: Vortrainingsstrategien verbessern die Anpassungsfähigkeit des Datensatzes
In der neuesten Forschung des MIT, um wertvolle neue Polymerelektrolytmaterialien zu entwickeln,Diese Studie entwickelte ein systematisches Bewertungsschema für die Polymererzeugung mithilfe von vier Hauptmodulen: Tokenisieren, Trainieren, Generieren und Bewerten.
Erstens, in der Tokenisierungsphase,Die Forscher wählten zunächst einen HTP-MD-Datensatz aus, der 6.024 verschiedene amorphe Polymerelektrolyte enthielt. Die Ionentransporteigenschaften dieser Polymere wurden hauptsächlich durch molekulardynamische (MD) Simulationen berechnet.
Basierend auf diesem Datensatz werden in der TrainingsphaseDie Forscher verglichen die Leistung mehrerer verschiedener Modelle generativer KI, darunter minGPT, eine beliebte Open-Source-PyTorch-Reproduktion des GPT-Modells, und zwei Diffusionsmodelle: 1D-Diffusion und Diffusionssprachenmodell (Diffusion-LM).
Durch den Vergleich dieser Modelle hoffen die Forscher, den effizientesten Weg zur Erzeugung von Polymerelektrolyten mit gewünschten Eigenschaften zu finden. Da die drei Modelle unterschiedliche Verlustfunktionen haben, stellen die Verlustwerte möglicherweise keine umfassende Bewertung des chemischen Systems dar. Daher schlugen die Forscher eine Methode zur Bewertung der Polymererzeugung vor, die sechs verschiedene Indikatoren umfasst, mit denen die Leistung des Modells unter verschiedenen Hyperparameterkombinationen bewertet werden kann.
* Das 1Ddiffusion-Modell ist eine Verbesserung des Denoising Diffusion Probabilistic Model (DDPM), das ursprünglich für die Bilderzeugung entwickelt wurde.
* Im Diffusions-LM-Modell wird die nicht-autoregressive Sprachmodellarchitektur mit dem Konzept der kontinuierlichen Diffusion zur Textgenerierung kombiniert.
* minGPT-Projektadresse:
https://gitcode.com/gh_mirrors/mi/minGPT
* Adresse des 1Ddiffusion-Projekts:
https://gitcode.com/gh_mirrors/de/denoising-diffusion-pytorch
* Diffusion-LM-Projektadresse:
https://gitcode.com/gh_mirrors/di/Diffusion-LM
In dieser Studie untersuchten die Forscher zunächst die Leistung der Modellarchitektur im Fall der bedingungslosen Generierung, d. h., sie verwendeten den HTP-MD-Datensatz, um ein generatives Modell zu trainieren, damit es die „Sprache“ der Polymere ohne Attributbeschränkungen lernt. Im Prozess der bedingungslosen ErzeugungDas Modell kann in der Generierungsphase trainiert werden, um zufällig neue, chemisch gültige, einzigartige und synthetisierbare Polymere zu generieren.
Die Ergebnisse sind in der folgenden Abbildung dargestellt. Das minGPT-Modell und das Diffusions-LM-Modell weisen eine ähnliche Leistung auf, während das 1D-Diffusionsmodell relativ schlecht abschneidet. In Bezug auf den Rechenaufwand ist das minGPT-Modell sowohl beim Training als auch bei der Inferenz effizienter als das diffusionsbasierte Modell. Auf einem Tesla V100 GPU-Kern (16 GB RAM) dauert das Training des optimalen minGPT-Modells nur etwa 3–4 Minuten, während das Training der optimalen 1Ddiffusion- und Diffusion-LM-Modelle etwa 2 Stunden dauert.
Als nächstes wurde im Rahmen der Studie das generative Modell weitergeführt, um Polymerelektrolyte mit idealen Eigenschaften zu erzeugen, und die Leistung der Modellarchitektur unter bedingter Generierung untersucht. Um beispielsweise eine hohe Ionenleitfähigkeit zu erreichen, teilten die Forscher die Polymere im HTP-MD-Datensatz zunächst in zwei Gruppen ein: hohe Leitfähigkeit und niedrige Leitfähigkeit. Anschließend verwendeten sie die optimale Modellarchitektur, die sie durch die Hyperparameter-Abstimmung der bedingungslosen Generierungsaufgabe erhielten, um in der Generierungsphase Polymerelektrolyte mit hoher Leitfähigkeit bedingt zu generieren.
Schließlich verwendeten sie ein Graph Neural Network (GNN)-Modell, um die Ionenleitfähigkeit der resultierenden Polymere vorherzusagen.Unter den 46 getesteten Kandidatenmaterialien wurden schließlich 17 Polymere mit überlegener Ionenleitfähigkeit herausgefiltert.Die Ergebnisse zeigen auch, dass das minGPT-Modell im Einklang mit den Erkenntnissen zur bedingungslosen Generierung auch bei der bedingten Generierung die Modelle 1Ddiffusion und Diffusion-LM übertrifft und eine bessere Durchschnittspunktzahl erreicht.Dies zeigt, dass das minGPT-Modell nicht nur bei der Erzeugung neuer Polymere gute Ergebnisse liefert, sondern auch die Erzeugung von Polymerelektrolyten mit spezifischen idealen Eigenschaften effektiv steuern kann.
Da das minGPT-Modell das diffusionsbasierte Modell sowohl bei der bedingungslosen als auch bei der bedingten Generierung übertrifft. Daher untersuchten die Forscher weiter die Auswirkungen von Vortrainings- und Feinabstimmungsmethoden auf das minGPT-Modell. Konkret verglichen sie zwei verschiedene Trainingsstrategien: Eine ist ein minGPT-Modell, das direkt von Grund auf auf dem HTP-MD-Datensatz trainiert wird, und die andere ist ein minGPT-Modell, das zuerst auf der PI1M-Datenbank für die bedingungslose Generierung vortrainiert und dann auf dem HTP-MD-Datensatz für die bedingte Generierung feinabgestimmt wird.
* PI1M-Datenbank: eine Benchmark-Datenbank mit 1 Million Polymermonomeren, der jedoch Informationen zur Ionenleitfähigkeit von Polymeren fehlen
Unsere Ergebnisse zeigen, dass die Vortrainingsstrategie die Trainingszeit der Feinabstimmung erheblich verkürzt und die Effektivität und Eindeutigkeitswerte der bedingten Generierung verbessert. Darüber hinaus verbessert das Vortraining auch die Fähigkeit des Modells, die Polymereigenschaften im HTP-MD-Datensatz zu erfassen und erzeugt während der Generierung eine größere Vielfalt an Polymeren. Das heisst,Durch das Vortraining anhand einer umfangreichen Datenbank kann sich das Modell besser an die Anforderungen eines bestimmten Datensatzes anpassen und dadurch eine höhere Effizienz und Genauigkeit bei der Generierung neuer Polymere aufweisen.
MIT und Toyota Research Institute arbeiten zusammen, um den breiten Einsatz von KI im Automobilbereich zu fördern
Tatsächlich ist diese Forschung nicht die erste Zusammenarbeit zwischen dem MIT und dem Toyota Research Institute. Die Geschichte der Zusammenarbeit zwischen beiden Seiten reicht zehn Jahre zurück und die Ergebnisse sind durchaus fruchtbar.
Bereits im September 2015 kündigte die Toyota Motor Corporation an, in den nächsten fünf Jahren 50 Millionen US-Dollar in die Gründung eines Forschungszentrums in Kooperation mit dem MIT und der Stanford University zu investieren, um gemeinsam selbstfahrende Autos zu entwickeln. Diese Zusammenarbeit legt den Grundstein für die breite Anwendung von KI in der Automobilforschung und -entwicklung.
Nur ein Jahr später veröffentlichten das Center for Transportation and Logistics des MIT, AgeLab, und das Collaborative Safety Research Center (CSRC) von Toyota gemeinsam einen innovativen offenen Datensatz namens DriveSeg. Dieser Datensatz erfasst Fahrszenen durch Videos und bietet einen Datenstrom, der realen dynamischen Fahrsituationen näher kommt und die Entwicklung von Bereichen wie maschinelles Lernen, Szenenverständnis und Verhaltensvorhersage erheblich fördert.
Im Jahr 2020 veröffentlichte ein Forschungsteam des MIT, des Toyota Research Institute und der Stanford University in Nature einen Artikel mit dem Titel „Closed-loop optimization of fast-s protocols for batteries with charging machine learning“, in dem ein Modell für maschinelles Lernen vorgestellt wurde.Das Modell verkürzt die Ladetestzeit der Batterie um fast das 15-fache, von fast zwei Jahren auf 16 Tage.Und kann die Akkulaufzeit genau vorhersagen. Man geht davon aus, dass diese Methode verschiedene Aspekte der Batterieentwicklung beschleunigen und den Herstellern dabei helfen wird, Batterien effizienter zu entwerfen und herzustellen.
Link zum Artikel:
10.1038/s41586-020-1994-5
Obwohl die Fünfjahresvereinbarung abgelaufen ist, ist die Zusammenarbeit zwischen den verschiedenen Parteien nicht beendet. Im Jahr 2021 veröffentlichte ein Forschungsteam des MIT, des Toyota Research Institute, der Stanford University und des SLAC in Nature Materials einen Artikel mit dem Titel „Fictitious phase separation in Li layered oxides driven by electro-autocatalysis“.Zum ersten Mal wurde „wissenschaftliches maschinelles Lernen“ in der Batteriezyklusforschung angewendet.Es stellt traditionelle Annahmen zum Laden und Entladen von Lithium-Ionen-Batterien auf den Kopf und bietet neue Regeln für die Entwicklung langlebiger Batterien für Elektrofahrzeuge, die in 10 Minuten vollständig aufgeladen werden können.
Link zum Artikel:
10.1038/s41563-021-00936-1
Nun haben sich das MIT und das Toyota Research Institute erneut zusammengetan, um eine Methode zur kontinuierlichen Generierung und Bewertung neuer Polymerkandidaten zu entwickeln. Dieser Ansatz birgt großes Potenzial, komplexe Probleme des Polymerdesigns zu lösen und die Suche nach Batteriematerialien der nächsten Generation voranzutreiben.
Modernisierung und Transformation der Lithiumbatterieindustrie: KI trägt dazu bei, wichtige Entwicklungen voranzutreiben
Von der weit verbreiteten Nutzung von Elektrofahrzeugen über die von uns täglich genutzte Unterhaltungselektronik wie Smartphones und Laptops bis hin zu Smart-Home-Geräten sorgen Lithiumbatterien mit ihrer effizienten Energiespeicherfähigkeit für eine leistungsstarke Stromversorgung dieser Geräte.
Weltweit schenken Regierungen der Entwicklung von Lithiumbatterien große Aufmerksamkeit. Um beispielsweise den „Umsetzungsplan für das Pilotprojekt zur neuen Industriestandardisierung (2023–2035)“ umzusetzen, haben das Ministerium für Industrie und Informationstechnologie und vier weitere Abteilungen im November 2024 die „Nationalen Richtlinien für den Aufbau von Standardsystemen der Lithiumbatterieindustrie (Ausgabe 2024)“ herausgegeben, deren Ziel es ist, die Entwicklung von Industriestandards für Lithiumbatterien auf höchster Ebene zu stärken und eine gesunde und geordnete Entwicklung der Lithiumbatterieindustrie zu fördern.
Länder und Regionen wie die Vereinigten Staaten, Europa und Südkorea erhöhen zudem ihre Investitionen in die Forschung und Entwicklung von Lithiumbatterien, um ihre führende Position im globalen Wettbewerb zu sichern. So veröffentlichte beispielsweise die Federal Advanced Battery Alliance (FCAB), die gemeinsam vom US-Energieministerium, dem Verteidigungsministerium, dem Handelsministerium und dem Außenministerium gegründet wurde, im November 2021 den U.S. Lithium Battery National Blueprint 2021–2030, dessen Ziel es ist, Investitionen in die Wertschöpfungskette der US-amerikanischen Lithiumbatterieherstellung zu lenken und Arbeitsplätze zu schaffen. Diese Richtlinien fördern nicht nur technologische Innovationen, sondern bieten auch eine solide Grundlage für die weitverbreitete Anwendung von Lithiumbatterien.
Aufgrund der kontinuierlichen Verbesserung der Leistungsanforderungen für verschiedene Geräte ist die aktuelle Forschung und Entwicklung von Lithiumbatterien jedoch noch immer mit Herausforderungen und Innovationsbedarf konfrontiert, wie etwa relativ langsamen Fortschritten bei der Materialinnovation und der Schwierigkeit, große Mengen an Batteriedaten effektiv zu verarbeiten und zu analysieren.
Die Lithiumbatteriebranche befindet sich auf dem Höhepunkt einer Welle technologischer Innovationen und die KI ist zweifellos die treibende Kraft hinter dieser technologischen Renaissance.Beispielsweise hat Contemporary Amperex Technology Co., Ltd. (CATL), der weltweit größte Hersteller von Lithiumbatterien, KI-Technologie zur Optimierung des Recyclingprozesses eingesetzt und im Bereich des Lithiumbatterie-Recyclings erhebliche Fortschritte erzielt, wodurch die Lithiumrückgewinnungsrate auf 911 TP3T gesteigert werden konnte. Durch den Einsatz fortschrittlicher Algorithmen künstlicher Intelligenz und Big-Data-Analysetechnologien hat Innosilicon alle Aspekte der Lithiumbatterieproduktion grundlegend optimiert. Dies verbessert nicht nur den Intelligenzgrad bei der Lithiumbatterieproduktion, sondern beschleunigt auch die Forschung, Entwicklung und Anwendung neuer Lithiumbatteriematerialien.
Auch in Zukunft wird es in der Lithiumbatteriebranche zu erheblichen Verbesserungen und Veränderungen kommen. Mit der kontinuierlichen Weiterentwicklung der Technologie und dem anhaltenden Wachstum der Marktnachfrage werden Lithiumbatterien eine immer wichtigere Rolle bei der Energiewende und der nachhaltigen Entwicklung spielen. Auf diesem Weg entwickelt die KI-Technologie eine beispiellose Dynamik und ist eine kontinuierliche Quelle wichtiger Antriebskräfte für die weitere Modernisierung der Branche.