Forscher der Pritzker School of Molecular Engineering an der University of Chicago haben einen Durchbruch in der Entwicklung von Lithium-Metall-Batterien erzielt. Ein von Jaemin Kim geleitetes Team nutzte künstliche Intelligenz, um komplette elektrolytische Rezepturen zu generieren, deren Leistung mit den besten derzeit verfügbaren Systemen mithalten kann. Die Studie wurde im Fachjournal JACS Au veröffentlicht und stellt einen Meilenstein in der Arbeit des Amanchukwu-Labors dar, das an einem speziellen KI-Modell namens ElectrolyteGPT forscht. Batterieelektrolyte bestehen nicht aus einer einzelnen Substanz, sondern aus komplexen Gemischen von Salzen, Lösungsmitteln und Zusätzen, die in einem empfindlichen Gleichgewicht stehen müssen. Bisherige KI-Ansätze halfen dabei, einzelne Materialien auszuwählen, doch die Chicagoer Forscher gingen einen Schritt weiter. Ihr System generiert nicht nur die Zutaten, sondern legt auch Konzentrationen, Mischungsverhältnisse und andere kritische Parameter fest. Das Modell balanciert dabei die oft widersprüchlichen Anforderungen an Leitfähigkeit, Stabilität, Viskosität und kumulative Effizienz, um neue Kandidaten zu finden, die gleichzeitig viele Eigenschaften erfüllen. Die synthetisierten Empfehlungen der KI ergaben mehrere neuartige Zusammensetzungen, die in Lithium-Metall-Batterien Tests bestanden und mit dem aktuellen Stand der Technik vergleichbar waren. Chibueze Amanchukwu, leitender Autor und Professor an der Universität, betonte, dass dies ein wichtiger Schritt ist. Zwar könnten die Generatoren bereits Ergebnisse liefern, die mit denen führender Wissenschaftler mithalten, doch das ultimative Ziel, Elektrolyte zu entwickeln, die die bestehenden Materialien übertreffen, erfordert noch weitere Forschung. Das Ausmaß der Aufgabe ist enorm: Schätzungen zufolge gibt es potenziell eine Sextillion (10^60) möglicher Moleküle für Batterieelektrolyte. Diese Zahl übersteigt selbst die Anzahl der Sterne am Himmel bei Weitem. Die Exploration jedes einzelnen Moleküls und jeder möglichen Kombination in menschlicher Lebensspanne ist unmöglich. Hier kommt generative KI ins Spiel, die in der Lage ist, noch nie zuvor synthetisierte Moleküle in Bereichen der Chemie zu navigieren, die noch nicht kartiert wurden. Ein frühes Hindernis für das Team bestand darin, dass viele verfügbare KI-Modelle für die Arzneimittelforschung trainiert wurden und daher molekulare Strukturen erzeugten, die für Medikamente geeignet, aber für Batterien unbrauchbar sind. Um dies zu lösen, kuratierte das Team einen eigenen Datensatz, der ausschließlich elektrolytrelevante Verbindungen enthielt. Das KI-Modell lernte ausschließlich über Elektrolyte und generiert somit gezielt Verbindungen mit dem Potenzial für Batterieanwendungen. Zudem wurden strenge Parameter für die Leistung festgelegt, um sicherzustellen, dass das System nur hochfunktionale Materialien vorschlägt. Die wesentliche Innovation dieser Forschung liegt jedoch in der Entwicklung einer neuen Beschreibungssprache für Chemie, die sogenannte fLine. Während gängige Systeme wie SMILES nur die Struktur eines Moleküls beschreiben, ermöglicht fLine die Darstellung von komplexen Gemischen. Es erfasst nicht nur die chemische Struktur, sondern auch Lösungsmittelverhältnisse, Salzkonzentrationen und Temperaturbedingungen. Dies erlaubt der KI, die Elektrolyt-Mischung als Ganzes zu verstehen und vollständig definierte Rezepturen mit mehreren Salzen und Lösungsmitteln in unterschiedlichen Verhältnissen zu generieren. Die Forscher können nun theoretische Vorschläge der KI synthetisieren und im Labor verifizieren. Dies bestätigt, dass der Ansatz funktioniert. Das Ziel ist es nun, diese Modelle zu vergrößern und zu verbessern, um in Zukunft noch komplexere und leistungsfähigere Elektrolyt-Systeme vollständig generativ entwickeln zu können.