Après 30 Ans De Persévérance, Le MIT Vise La Prochaine Génération De Batteries Au Lithium Et Utilise L'ia Générative Pour Réaliser Une Avancée Majeure Dans Les Électrolytes Solides

Au sous-sol du bâtiment 4 du MIT, se trouve un laboratoire appelé « le berceau de l'innovation » par les étudiants - Laboratoire 4-061. Ici,Le professeur Donald Sadoway a commencé ses recherches sur les batteries lithium métal à électrolyte polymère solide (SPE) à la fin des années 1990.Ce laboratoire a été le témoin d’innombrables jours et nuits de travail acharné et d’innombrables échecs expérimentaux, mais ce sont aussi ces défis qui ont donné naissance à des découvertes innovantes qui ont changé le monde.

Au cours des trois dernières décennies, le MIT n’a jamais ralenti ses recherches sur les électrolytes polymères solides (SPE). Avec le développement rapide de la technologie de l’intelligence artificielle, l’équipe de recherche du MIT lance une série de recherches innovantes à l’aide de l’apprentissage automatique et de stratégies basées sur les données. Ils utilisent des algorithmes avancés et des quantités massives de données pour dépasser les limites des matériaux traditionnels et ouvrir de nouvelles possibilités pour l’avenir de la technologie des batteries.

Il n'y a pas longtemps,Des équipes de recherche du MIT et du Toyota Research Institute ont travaillé ensemble pour utiliser la technologie de l’intelligence artificielle générative afin de repenser complètement les électrolytes polymères.Ils ont comparé le minGPT basé sur GPT et les modèles de diffusion 1D et de diffusion-LM basés sur la diffusion, et ont utilisé des méthodes de pré-formation et de réglage fin pour créer avec succès un grand nombre de polymères nouveaux, divers et potentiellement dignes d'application. Cette réalisation démontre non seulement le grand potentiel de l’intelligence artificielle dans le domaine de la conception des matériaux, mais insuffle également une nouvelle vitalité au développement des électrolytes à l’état solide. Répondez « électrolyte » en arrière-plan du compte officiel pour obtenir le texte original de l'article.

L'espoir pour la prochaine génération de batteries au lithium : des avancées technologiques assistées par l'IA dans les électrolytes polymères solides

Les électrolytes polymères solides (SPE) sont largement considérés comme des candidats prometteurs pour les batteries lithium-ion de nouvelle génération.Par rapport aux électrolytes liquides, ils présentent des avantages significatifs en termes de sécurité, de densité énergétique et de performances de fabrication. Cependant, la conductivité ionique des SPE est généralement inférieure de plusieurs ordres de grandeur à celle des électrolytes liquides commerciaux, une propriété qui limite considérablement leurs applications pratiques. Pour relever ce défi, les chercheurs ont mené des études expérimentales et informatiques approfondies.

D’une part, les chercheurs ont découvert que l’exploration de données fournit de nouvelles solutions pour comprendre la relation entre la structure et les propriétés des matériaux. Dès 2021, une équipe de recherche de l'Université Jiao Tong de Shanghai a publié une étude intitulée « Exploiter l'intelligence artificielle pour la conception et l'identification holistiques des électrolytes solides » dans la revue Nano Energy. Ils ont combiné des modèles d'apprentissage automatique et des calculs DFT limités pour éliminer rapidement 12 candidats présentant une conductivité électronique extrêmement faible à température ambiante parmi plus de 29 000 structures de grenat (Garnet Solid State Electrolyte) conçues. Cette méthode raccourcit informatiquement le cycle de criblage d’au moins 95 ans, ouvrant de nouvelles idées et méthodes pour la conception et la découverte d’électrolytes à l’état solide.

Lien vers l'article :

https://www.sciencedirect.com/science/article/pii/S2211285521005929

D'ici 2023, une équipe de recherche de l'Université de Tohoku au Japon a construit une base de données dynamique d'électrolytes de batteries entièrement solides dans une étude intitulée « La base de données dynamique d'électrolytes à l'état solide (DDSE) » et a utilisé l'apprentissage automatique pour prédire la conductivité ionique, fournissant une référence de performance pour les nouveaux matériaux synthétisés expérimentalement.

Lien vers l'article :

https://www.sciencedirect.com/science/article/pii/S258996512300034X

D’autre part, les chercheurs s’engagent également à améliorer la conductivité ionique des polymères en explorant de nouveaux matériaux. À l’heure actuelle, bien que les méthodes courantes telles que le fonctionnement à haute température, l’ajout d’additifs auxiliaires et la copolymérisation aient fait certains progrès, elles reposent principalement sur l’oxyde de polyéthylène (PEO). En raison des limites du matériau lui-même, le matériau PEO est devenu un obstacle majeur au développement de la technologie SPE. Cependant, l’exploration des polymères non-PEO est encore relativement limitée à ce stade. Afin d'explorer un espace polymère non-PEO plus large, l'apprentissage automatique et les méthodes basées sur les données ont commencé à être largement utilisés dans la prédiction des propriétés des polymères et la conception inverse.

Bien que l’IA puisse accélérer la découverte de nouveaux polymères, elle présente également des défis uniques. D’une manière générale, la précision des prédictions de l’IA repose sur un ensemble de données initial riche, diversifié et étendu. Des données de haute qualité sont donc cruciales. De plus, la conception d’un algorithme capable de générer des polymères chimiquement réalistes et synthétisables est une tâche complexe. Par conséquent, parmi les différentes méthodes d’apprentissage automatique, la conception générative se distingue par sa capacité à apprendre à partir de données et à créer de nouvelles substances candidates. Cette approche devrait non seulement élargir les bases de données sur les polymères en apprenant à partir des données existantes, mais également aider à personnaliser la conception des matériaux polymères pour des cibles spécifiques.

Cependant, il existe actuellement peu d’études qui utilisent ces techniques avancées d’IA générative pour la génération de polymères. Étudier l'application des techniques d'IA générative dans les matériaux non-PEO, en particulier dans le domaine des électrolytes polymères avec des matériaux amorphes hautement structurellement aléatoires,Dans une étude récente, une équipe de recherche du MIT et du Toyota Research Institute s'est penchée sur la complexité de différents modèles génératifs avancés dans la génération de polymères et a proposé une méthode de conception de novo capable de générer et d'évaluer en continu de nouveaux électrolytes polymères basés sur le GPT et la diffusion, fournissant de nouveaux candidats pour les tests expérimentaux.

minGPT surpasse les modèles de diffusion : les stratégies de pré-formation améliorent l'adaptabilité des ensembles de données

Dans les dernières recherches du MIT, afin de développer de nouveaux matériaux électrolytiques polymères de valeur,Cette étude a conçu un schéma d’évaluation systématique pour la génération de polymères à travers quatre modules principaux : tokeniser, former, générer et évaluer.

Tout d’abord, dans la phase de tokenisation,Les chercheurs ont d’abord sélectionné un ensemble de données HTP-MD contenant 6 024 électrolytes polymères amorphes différents. Les propriétés de transport d'ions de ces polymères ont été principalement calculées par des simulations de dynamique moléculaire (MD).

Sur la base de cet ensemble de données, dans la phase de formation,Les chercheurs ont comparé les performances de plusieurs modèles d'IA génératifs différents, notamment minGPT, une reproduction PyTorch open source populaire du modèle GPT, et deux modèles de diffusion : la diffusion 1D et le modèle de langage de diffusion (diffusion-LM).

En comparant ces modèles, les chercheurs espèrent identifier le moyen le plus efficace de générer des électrolytes polymères dotés de propriétés souhaitables. Étant donné que les trois modèles ont des fonctions de perte différentes, les valeurs de perte peuvent ne pas fournir une évaluation complète du système chimique. Par conséquent, les chercheurs ont proposé une méthode d’évaluation de la génération de polymères qui comprend 6 indicateurs différents, qui peuvent évaluer les performances du modèle sous différentes combinaisons d’hyperparamètres.

* Le modèle 1Ddiffusion est une amélioration du modèle probabiliste de diffusion de débruitage (DDPM), qui a été développé à l'origine pour la génération d'images. 

* Dans le modèle de diffusion-LM, l'architecture du modèle de langage non autorégressif est combinée avec le concept de diffusion continue pour la génération de texte.

* Adresse du projet minGPT :

https://gitcode.com/gh_mirrors/mi/minGPT

* Adresse du projet 1Ddiffusion :

https://gitcode.com/gh_mirrors/de/denoising-diffusion-pytorch

* Adresse du projet diffusion-LM :

https://gitcode.com/gh_mirrors/di/Diffusion-LM

Dans cette étude, les chercheurs ont d'abord étudié les performances de l'architecture du modèle dans le cas de la génération inconditionnelle, c'est-à-dire en utilisant l'ensemble de données HTP-MD pour former un modèle génératif afin d'apprendre le « langage » des polymères sans aucune contrainte d'attribut. Dans le processus de génération inconditionnelle,Le modèle peut être formé dans la phase de génération pour générer de manière aléatoire de nouveaux polymères chimiquement valides, uniques et synthétisables.

Les résultats sont présentés dans la figure ci-dessous. Le modèle minGPT et le modèle de diffusion-LM fonctionnent de manière similaire, tandis que le modèle de diffusion 1D fonctionne relativement mal. En termes de coût de calcul, le modèle minGPT est plus efficace que le modèle basé sur la diffusion, tant au niveau de la formation que de l'inférence. Sur un cœur GPU Tesla V100 (16 Go de RAM), la formation du modèle minGPT optimal ne prend qu'environ 3 à 4 minutes, tandis que les modèles optimaux 1Ddiffusion et diffusion-LM prennent environ 2 heures à former.

Ensuite, l’étude a guidé le modèle génératif pour créer des électrolytes polymères aux propriétés idéales et a étudié les performances de l’architecture du modèle sous génération conditionnelle. Par exemple, pour obtenir une conductivité ionique élevée, les chercheurs ont d’abord divisé les polymères de l’ensemble de données HTP-MD en deux groupes : conductivité élevée et conductivité faible. Ils ont ensuite utilisé l'architecture de modèle optimale obtenue à partir du réglage des hyperparamètres de la tâche de génération inconditionnelle pour générer conditionnellement des électrolytes polymères à haute conductivité dans l'étape de génération.

Enfin, ils ont utilisé un modèle de réseau neuronal graphique (GNN) pour prédire la conductivité ionique des polymères résultants.Parmi les 46 matériaux candidats testés, 17 polymères présentant une conductivité ionique supérieure ont finalement été sélectionnés.Les résultats montrent également que, conformément aux résultats sur la génération inconditionnelle, le modèle minGPT surpasse également les modèles 1Ddiffusion et diffusion-LM dans la génération conditionnelle, obtenant un score moyen supérieur.Cela démontre que le modèle minGPT est non seulement performant dans la génération de nouveaux polymères, mais peut également guider efficacement la génération d'électrolytes polymères dotés de propriétés idéales spécifiques.

Étant donné que le modèle minGPT surpasse le modèle basé sur la diffusion dans la génération inconditionnelle et conditionnelle. Par conséquent, les chercheurs ont étudié plus en détail l’impact des méthodes de pré-formation et de réglage fin sur le modèle minGPT. Plus précisément, ils ont comparé deux stratégies de formation différentes : l'une est un modèle minGPT formé directement à partir de zéro sur l'ensemble de données HTP-MD, et l'autre est un modèle minGPT qui est d'abord pré-formé sur la base de données PI1M pour une génération inconditionnelle, puis affiné sur l'ensemble de données HTP-MD pour une génération conditionnelle.

* Base de données PI1M : une base de données de référence contenant 1 million de monomères polymères, mais qui manque d'informations sur la conductivité ionique des polymères

Nos résultats montrent que la stratégie de pré-formation réduit considérablement le temps de formation du réglage fin et améliore les scores d'efficacité et d'unicité de la génération conditionnelle. De plus, la pré-formation améliore également la capacité du modèle à capturer les propriétés des polymères dans l’ensemble de données HTP-MD et produit une plus grande diversité de polymères pendant la génération. Cela signifie,En effectuant une pré-formation sur une base de données à grande échelle, le modèle peut mieux s'adapter aux besoins d'un ensemble de données spécifique, montrant ainsi une efficacité et une précision supérieures dans la génération de nouveaux polymères.

Le MIT et le Toyota Research Institute travaillent ensemble pour promouvoir l'utilisation généralisée de l'IA dans le domaine automobile

En fait, cette recherche n’est pas la première collaboration entre le MIT et le Toyota Research Institute. L’histoire de la coopération entre les deux parties remonte à 10 ans et les résultats sont assez fructueux.

Dès septembre 2015, Toyota Motor Corporation a annoncé qu'elle investirait 50 millions de dollars américains au cours des cinq prochaines années pour établir un centre de recherche en coopération avec le MIT et l'Université de Stanford afin de développer conjointement des voitures sans conducteur. Cette collaboration jette les bases d’une application généralisée de l’IA dans la recherche et le développement automobile.

Un an plus tard, le Centre de transport et de logistique du MIT, AgeLab, et le Centre de recherche collaborative sur la sécurité de Toyota (CSRC) ont publié conjointement un ensemble de données ouvert et innovant appelé DriveSeg. Cet ensemble de données capture des scènes de conduite via des vidéos et fournit un flux de données plus proche des situations de conduite dynamiques réelles, favorisant grandement le développement de domaines tels que l'apprentissage automatique, la compréhension des scènes et la prédiction du comportement.

En 2020, une équipe de recherche du MIT, du Toyota Research Institute et de l'Université de Stanford a publié un article dans Nature intitulé « Optimisation en boucle fermée des protocoles fast-s pour les batteries avec apprentissage automatique de charge », présentant un modèle d'apprentissage automatique.Le modèle réduit le temps de test de charge de la batterie de près de 15 fois, passant de près de deux ans à 16 jours.Et peut prédire avec précision la durée de vie de la batterie. Cette méthode devrait accélérer divers aspects du développement des batteries et aider les fabricants à concevoir et à fabriquer des batteries plus efficacement.

Lien vers l'article :

10.1038/s41586-020-1994-5

Bien que l’accord de cinq ans soit expiré, la coopération entre les différentes parties n’a pas cessé. En 2021, une équipe de recherche du MIT, du Toyota Research Institute, de l'Université de Stanford et du SLAC a publié un article intitulé Fictitious phase separation in Li layered oxides driven by electro-autocatalyse dans Nature Materials.Pour la première fois, « l’apprentissage automatique scientifique » a été appliqué à la recherche sur le cycle des batteries.Il renverse les hypothèses traditionnelles sur la charge et la décharge des batteries lithium-ion et fournit de nouvelles règles pour la conception de batteries de véhicules électriques à longue durée de vie qui peuvent être complètement chargées en moins de 10 minutes.

Lien vers l'article :

10.1038/s41563-021-00936-1

Le MIT et le Toyota Research Institute se sont à nouveau associés pour développer une méthode permettant de générer et d’évaluer en continu de nouveaux candidats polymères. Cette approche présente un grand potentiel pour résoudre des problèmes complexes de conception de polymères et faire progresser la recherche de matériaux de batterie de nouvelle génération.

Modernisation et transformation de l'industrie des batteries au lithium : l'IA contribue à stimuler les développements clés

De l'utilisation généralisée des véhicules électriques aux appareils électroniques grand public tels que les smartphones et les ordinateurs portables que nous utilisons quotidiennement, en passant par les appareils domestiques intelligents, les batteries au lithium fournissent un support énergétique puissant à ces appareils grâce à leurs capacités de stockage d'énergie efficaces.

À l’échelle mondiale, les gouvernements ont accordé une grande attention au développement des batteries au lithium. Par exemple, afin de mettre en œuvre le « Plan de mise en œuvre du nouveau projet pilote de normalisation industrielle (2023-2035) », le ministère de l'Industrie et des Technologies de l'information et quatre autres départements viennent de publier les « Directives nationales de construction du système de normes industrielles pour les batteries au lithium (édition 2024) » en novembre 2024, visant à renforcer la conception de haut niveau des normes industrielles des batteries au lithium et à promouvoir le développement sain et ordonné de l'industrie des batteries au lithium.

Des pays et des régions comme les États-Unis, l’Europe et la Corée du Sud augmentent également leurs investissements dans la recherche et le développement de batteries au lithium pour garantir le maintien de leur position de leader dans la concurrence mondiale. Par exemple, en novembre 2021, la Federal Advanced Battery Alliance (FCAB), créée conjointement par le ministère de l’Énergie, le ministère de la Défense, le ministère du Commerce et le département d’État des États-Unis, a publié le Plan national américain pour les batteries au lithium 2021-2030, visant à guider les investissements dans la chaîne de valeur de fabrication des batteries au lithium aux États-Unis et à créer des emplois. Ces politiques favorisent non seulement l’innovation technologique, mais fournissent également une base solide pour l’application généralisée des batteries au lithium.

Cependant, en raison de l'amélioration continue des exigences de performance pour différents appareils, la recherche et le développement actuels des batteries au lithium sont toujours confrontés à des défis continus et à des besoins d'innovation, tels que des progrès relativement lents dans l'innovation des matériaux et la difficulté de traiter et d'analyser efficacement de grandes quantités de données sur les batteries.

L’industrie des batteries au lithium est à la pointe d’une vague d’innovation technologique, et l’IA est sans aucun doute le moteur principal de cette renaissance technologique.Par exemple, en tant que plus grand fabricant mondial de batteries au lithium, Contemporary Amperex Technology Co., Ltd. (CATL) a utilisé la technologie de l'IA pour optimiser le processus de recyclage et a réalisé des progrès significatifs dans le domaine du recyclage des batteries au lithium, augmentant le taux de récupération du lithium à 91%. En utilisant des algorithmes d'intelligence artificielle avancés et des technologies d'analyse de Big Data, Innosilicon a optimisé en profondeur tous les aspects de la production de batteries au lithium, ce qui non seulement améliore le niveau d'intelligence dans la production de batteries au lithium, mais accélère également la recherche et le développement et l'application de nouveaux matériaux de batteries au lithium.

À l’avenir, l’industrie des batteries au lithium continuera de subir des mises à niveau et des changements importants. Avec les progrès continus de la technologie et la croissance soutenue de la demande du marché, les batteries au lithium joueront un rôle de plus en plus important dans la transformation énergétique et le développement durable. Au cours de ce voyage, la technologie de l’IA démontre un élan sans précédent, fournissant une source continue de force motrice essentielle pour la modernisation future de l’industrie.