Ein neuartiges KI-Frame­work, entwickelt an der Cornell University, ermöglicht präzise Vorhersagen der Leistung von Lithium-Ionen-Batterieelektrolyten und enthüllt zugleich die zugrundeliegenden chemischen Prinzipien. Die Studie, veröffentlicht am 19. Februar in Nature Computational Science, stellt einen bedeutenden Fortschritt im Bereich der Batterieforschung dar, insbesondere für Elektrolyte ohne Wasser (nonaqueous), die höhere Energiedichten ermöglichen. Im Gegensatz zu herkömmlichen KI-Modellen, die nur statistische Korrelationen zwischen Eingabeparametern wie Salz, Lösungsmittel und Betriebsbedingungen mit Eigenschaften wie Leitfähigkeit erkennen, bietet das neue System eine tiefe chemische Interpretierbarkeit. Entwickelt von Fengqi You, Professor für Energiesystemtechnik an der Cornell Duffield College of Engineering, und Zhilong Wang, Erstautor der Studie und Postdoktorand, arbeitet das Framework – namens SCAN (Dynamic Routing-guided, NAE Engineering Platform) – mit einer dynamischen, modularen Architektur. Es behandelt Salze, Lösungsmittel und Betriebsbedingungen nicht als homogene Datenmenge, sondern als getrennte, aber wechselwirkende Komponenten. Chemisch sinnvolle Beschreibungsmerkmale dieser Elemente werden separat verarbeitet und dann adaptiv integriert, wodurch das Modell sowohl präzise Vorhersagen als auch Einblicke in die physikalisch-chemischen Mechanismen liefert. Anhand eines umfangreichen experimentellen Datensatzes aus Lithium-Ionen-Elektrolyten reduzierte das SCAN-Modell die Vorhersagefehler um mehr als 65 % gegenüber führenden maschinellen Lernmethoden. Besonders bemerkenswert ist seine Stabilität über den gesamten Leitfähigkeitsbereich – auch bei seltenen, extrem leitfähigen Formulierungen, die für zukünftige Hochleistungsbatterien entscheidend sind. „Für Energiesysteme reicht es nicht aus, auf schwarze Kasten-Vorhersagen zu setzen“, betont You. „Interpretierbarkeit und Integration mit physikalischen Gesetzen sind entscheidend, um zuverlässige und skalierbare Designwerkzeuge zu entwickeln.“ Das Projekt ist Teil der Cornell AI4S-Initiative, die interdisziplinäre Forschung an der Schnittstelle von KI, Energie, Materialwissenschaften und Umwelt fördert. Es ergänzt zudem eine frühere Studie in Science Advances, in der You und Wang ein integriertes KI-Rahmenwerk für Feststoffbatterien vorgestellt haben, das maschinelles Lernen, Simulationen und experimentelle Rückmeldungen kombiniert. „Diese beiden Arbeiten zeigen, wie wir strategische Visionen mit praktischen Modellierungsansätzen verbinden, um die KI-gestützte Batterieforschung voranzutreiben“, sagt You. Industrielle Experten sehen in dem Framework ein Schlüsselwerkzeug für die zukünftige Materialentwicklung. „Die Kombination aus hoher Vorhersagegenauigkeit und chemischer Transparenz ist selten – und entscheidend für die industrielle Anwendung“, kommentiert ein Batterieforscher aus der Automobilindustrie. Die Technologie könnte die Entwicklung von Batterien für Elektrofahrzeuge und Energiespeicher erheblich beschleunigen, indem sie den Weg von der Hypothese zur validierten Formulierung verkürzt. Cornell positioniert sich damit als führende Institution in der KI-gestützten Materialforschung, die sowohl wissenschaftliche Tiefe als auch praktische Relevanz verbindet.