Les Équipes Chinoises Et Japonaises Ont Abordé Conjointement Le Problème, En Utilisant Un Grand Modèle Pour Analyser Le Mécanisme De Conduction Des Électrolytes Solides Hydrures Et Établir Un Modèle Fiable De Prédiction De L'énergie D'activation.
Avec le développement rapide d’industries telles que les véhicules électriques et les appareils électroniques, la demande de batteries hautes performances a connu une forte croissance. En tant que cœur de la prochaine génération de technologie de stockage d'énergie, les batteries à semi-conducteurs sont devenues le centre de la compétition mondiale de recherche scientifique en raison de leur sécurité, de leur densité énergétique et de leur stabilité de cycle plus élevées. Les électrolytes à l’état solide (SSE) sont des composants clés des batteries entièrement solides (ASSB). Leurs paramètres de performance déterminent directement l’efficacité de sortie et la durée de vie de la batterie, et sont devenus une forteresse technique que les équipes de recherche scientifique s’efforcent de surmonter.
La recherche et le développement des SSE traditionnelles ont longtemps reposé sur des méthodes fastidieuses d’essais et d’erreurs.Prenons l’exemple de la société japonaise Toyota Motor Corporation. Ce géant de l'industrie, qui possède plus de 1 300 brevets sur les batteries à l'état solide, avait autrefois prévu de manière ambitieuse de commercialiser des batteries entièrement à l'état solide en 2027. Cependant, en raison du problème de stabilité de l'interface des électrolytes à l'état solide, il a dû reporter le calendrier de production de masse à après 2030. Par coïncidence, l'énorme investissement du ministère américain de l'Énergie dans la voie technologique « batterie à ions sodium + électrolyte solide » a également rencontré un goulot d'étranglement en raison du mécanisme complexe de migration des ions des matériaux hybrides. Cela expose pleinement les limites du modèle traditionnel de R&D.La forte interaction électrostatique des cations divalents dans les SSE d'hydrure rend difficile la capture de leur comportement de migration dynamique à l'aide de techniques de caractérisation expérimentales traditionnelles.L’inefficacité de la méthode des essais et erreurs a encore ralenti le processus de percées technologiques.
Dans ce contexte, l’intelligence artificielle a donné un élan transformateur à la recherche et au développement d’électrolytes à l’état solide. L’essor des grands modèles linguistiques (LLM) a élargi les limites des méthodes basées sur les données et fourni des outils plus précis pour les prédictions théoriques. Cependant, la complexité des systèmes de matériaux SSE, en particulier les mécanismes de migration d'ions multi-échelles dans les hydrures, pose toujours un défi à la précision des modèles théoriques. Le problème de fragmentation méthodologique qui prévaut dans la recherche actuelle limite également la compréhension systématique des systèmes matériels.
Pour sortir de cette impasse, une équipe de recherche conjointe composée de l’Université de Tohoku au Japon, de l’Université du Sichuan en Chine et de l’Institut de technologie de Shibaura au Japon a proposé un cadre innovant intégrant l’intelligence artificielle et la simulation multi-échelle.L'équipe a révélé avec succès le mécanisme unique de migration des ions « en deux étapes » dans les SSE à hydrure en combinant une base de données SSE complète avec un grand modèle de langage et des simulations de métadynamique ab initio (MetaD).
Les résultats de recherche pertinents ont été publiés dans la revue internationale de premier plan Angewandte Chemie-International Edition sous le titre « Démêler la complexité des électrolytes à hydrure divalent dans les batteries à semi-conducteurs via un cadre piloté par les données avec un grand modèle de langage ».
Adresse du document :
Des flux de travail axés sur les données et accélérés par l'IA, un moteur d'accélération pour les électrolytes solides hautes performances
Dans le domaine de la recherche sur les électrolytes solides divalents (SSE), bien que les expériences et les calculs continuent de s'approfondir, ils sont limités par la technologie de caractérisation des matériaux et les méthodes de simulation. La diversité des molécules neutres et la lenteur de la migration des ions rendent la recherche compliquée. À cette fin, l’équipe de recherche a développé un flux de travail innovant basé sur le Big Data, utilisant un grand modèle de langage (LLM) pour acquérir une compréhension approfondie du SSE et analyser la migration des cations.Vise à concevoir des SSE à conduction ionique rapide pour les batteries à semi-conducteurs (SSB) hautes performances.
Comme le montre la figure a ci-dessous,Le processus commence par une analyse de données volumineuses, en utilisant la base de données dynamique d'électrolytes solides (DDSE) développée par l'équipe, qui couvre 2 556 matériaux SSE expérimentaux, 18 635 ensembles de données de mesure de conductivité ionique et 657 matériaux SSE informatiques.Ainsi, nous capturons et établissons les caractéristiques clés.
Sur la base de cette base de données, les chercheurs ont obtenu deux informations importantes :
Analyse des mégadonnées de l'Hydride SSE
Comme le montre la figure b ci-dessous, les chercheurs ont analysé la conductivité ionique dépendante de la température de 158 hydrures métalliques dans l'expérience et ont constaté que dans les SSE sans molécules neutres, la conductivité des électrolytes monovalents est généralement comprise entre 10⁻⁷ et 10⁻¹ S cm⁻¹, et l'énergie d'activation (Eₐ) est inférieure à 1,0 eV ; tandis que les ions divalents ont de fortes interactions électrostatiques avec l'environnement environnant et une faible conductivité, et il existe moins de SSE divalents sans molécules neutres. Cependant, l’ajout de molécules neutres au réseau SSE divalent peut favoriser la migration des ions divalents.Améliore considérablement la conductivité, rendant ses performances comparables à celles des électrolytes monovalents.
Améliorations des méthodes de simulation traditionnelles
Pour mieux comprendre la migration des ions dans les matériaux SSE, les chercheurs ont analysé systématiquement les méthodes de calcul couramment utilisées au cours des 10 dernières années. L'analyse de référence basée sur le LLM des calculs expérimentaux et théoriques bouleverse la compréhension des méthodes de recherche d'état de transition couramment utilisées pour la migration des cations SSE, révélant que la méthode de simulation traditionnelle est significativement différente de l'Eₐ expérimental, indiquant que des méthodes plus raisonnables telles que MetaD devraient être préférées, en particulier pour les SSE avec un Eₐ élevé. Comme le montre la figure d ci-dessous, les chercheurs ont ensuite mené une série de simulations MetaD pour révéler davantage le mécanisme de migration des cations, introduit plusieurs descripteurs théoriques pour décrire Eₐ et utilisé une stratégie d'optimisation globale pour clarifier la structure de la composition SSE à conductivité ionique élevée prédite.
Les chercheurs ont également mené une série de simulations MetaD pour explorer davantage le mécanisme de migration des cations, introduit plusieurs descripteurs théoriques pour décrire Eₐ et appliqué une stratégie d'optimisation globale pour clarifier la structure de la composition SSE à conductivité ionique élevée prédite. Sur cette base, la relation structure-performance a été dérivée et le nouveau SSE a été prédit avec succès. Dans l'ensemble,Ce flux de travail fournit un outil puissant pour prédire la cinétique de la migration des cations hydrures et identifier de nouveaux matériaux candidats SSE prometteurs.Il résout efficacement le problème de la difficulté à clarifier les limites causées par les limites des données et des méthodes dans la recherche sur les électrolytes solides divalents.
Recherche sur les hydrures SSE : révélation d'un nouveau mécanisme de migration des cations SSE et établissement d'un modèle fiable de prédiction de l'énergie d'activation
Dans le domaine de recherche des électrolytes solides hydrures (SSE), l'équipe de recherche a construit un système de modèle systématique pour prédire avec précision la migration des cations et explorer de nouveaux mécanismes.Comme le montre la figure a ci-dessous, le modèle couvre 21 SSE différents, impliquant divers cations (cations, monovalents tels que Li⁺, Na⁺, K⁺, divalents tels que Ca²⁺, Mg²⁺, Zn²⁺), anions (anions, petit nid BH₄⁻, réseau B₃H₈⁻, fermé en « cage » BₙHₙˣ⁻, CBₙHₙˣ⁻) et molécules neutres (molécules neutres, telles que H₂O, NH₃, etc.). Ces derniers favorisent la migration dans le système en réduisant la coordination des cations et en élargissant le réseau cristallin.
Le modèle est formé sur la base de la méthode de simulation MetaD.À la température de phase correspondante, les cations, les anions et les molécules neutres du système sont systématiquement évalués pour obtenir des données clés telles que la surface d'énergie libre.L'énergie d'activation simulée (MetaD Eₐ) a été comparée à la valeur expérimentale, et la concordance était très élevée (R² = 0,95), en particulier le SSE divalent contenant des molécules neutres a bien fonctionné, ce qui a vérifié la fiabilité du modèle.
Dans l'étude du mécanisme de migration des cations,La simulation MetaD capture le nouveau processus de migration.Comme le montre la figure cd ci-dessous, en prenant l'ion Mg comme exemple, il se dissocie de la coordination tétraédrique d'origine, se déplace vers la molécule neutre NH₃ et se transfère vers le site interstitiel, migre le long du site interstitiel et se coordonne alternativement avec [BH₄]⁻ pour terminer la migration. Au cours du processus, deux états de coordination quasi stables, « déverrouillage de coordination » et « roue en rotation », sont présentés. Un processus similaire est également observé dans la migration de Li⁺ dans LiBH₄·NH₃. Une analyse plus approfondie a révélé que ce type de SSE a deux valeurs d'énergie d'activation (Eₐ₁ et Eₐ₂), comme le montre la figure eg ci-dessous, correspondant au processus de sortie des cations de l'environnement de coordination et de migration vers la vacance, respectivement. Eₐ₂ est proche de la valeur de mesure expérimentale, ce qui indique qu'il peut s'agir de l'étape déterminante du taux.
Dans l'étude de prédiction de l'énergie d'activation, l'équipe de recherche a introduit 8 descripteurs théoriques : volume de la cellule unitaire (V), électronégativité (X), numéro atomique (Z), énergie de liaison (bₘ), distance anionique (d), nombre de molécules neutres (n), rayon atomique (ratom) et rayon ionique (rion), et a effectué des régressions linéaires simples et des régressions linéaires multiples sur des systèmes fermés (Closo-SSE) et imbriqués (Nido-SSE). Le système imbriqué (système BH₄) a une valeur R² plus élevée et le modèle de régression linéaire multiple (tel que Eₐ=a₁P₁+a₂P₂+b) peut unifier efficacement différents types de SSE, comme le montre la figure ci-dessous.La capacité de prédiction est forte dans les SSE divalents contenant des molécules neutres, avec des valeurs R² atteignant 0,91 et plus.
Sur la base des modèles et analyses ci-dessus,L'équipe de recherche prédit un SSE à hydrure divalent à haute performance,L'algorithme génétique (AG) a été combiné avec le progiciel USPEX pour réaliser la prédiction de la structure cristalline et explorer les structures stables. Par exemple, M(BH₄)₂・ 6(CH₃)₂CHNH₂「MBCCN」, son cation est coordonné avec deux [BH₄]⁻ et deux molécules neutres.L'énergie de formation indique que la structure est stable et la simulation MetaD vérifie que sa valeur Eₐ est proche de la valeur prédite avec une erreur d'environ 0,05 eV.
L'intelligence artificielle au cœur de la recherche et du développement d'électrolytes solides : de l'innovation à l'industrialisation
Dans le domaine de la recherche sur les électrolytes à l’état solide, l’IA subit une profonde transformation, passant d’un outil auxiliaire à une force motrice essentielle, entraînant un changement fondamental dans le paradigme de la recherche et du développement des matériaux. De nombreuses équipes de recherche scientifique et entreprises à travers le monde ont obtenu des résultats remarquables dans cette transformation. L'équipe dirigée par l'académicien Ouyang Minggao de l'Université Tsinghua en Chine a construit un système de R&D intelligent à chaîne complète de « lecture de littérature par l'IA, rédaction de rapports par l'IA, calcul de modèles par l'IA et optimisation par l'IA », qui a considérablement raccourci le cycle de développement des matériaux de batterie traditionnels de plusieurs années à plusieurs mois.La base de données dynamique d'électrolytes solides (DDSE) développée par la société a intégré les données de plus de 25 000 matériaux expérimentaux.Combiné au grand modèle de langage, une avancée a été réalisée dans laquelle l'erreur de prédiction de la conductivité ionique était inférieure à 5%.
Toyota a collaboré avec Idemitsu Kosan Co., Ltd. du Japon pour utiliser des algorithmes d'IA afin d'optimiser la stabilité de l'interface électrolyte sulfure. L'échantillon de batterie entièrement solide qu'ils ont développé a une durée de vie de plus de 2 000 fois et une densité énergétique de 400 Wh/kg. La production de masse est prévue pour 2027. L'équipe Microsoft Azure Quantum a utilisé un modèle d'IA pour examiner 32 millions de combinaisons de matériaux et a découvert un électrolyte solide à base de sodium avec une conductivité ionique comparable à celle des matériaux à base de lithium mais à un coût inférieur de 70%. Les résultats pertinents sont entrés dans la phase pilote. Le modèle GNOME de DeepMind prédit 2,2 millions de nouveaux matériaux, dont 528 conducteurs à ions rapides au lithium.Son laboratoire robotique développé de manière indépendante a synthétisé avec succès 736 matériaux prédits avec un taux de précision de vérification de 80%.
Lien vers l'article :
https://www.nature.com/articles/s41586-023-06735-9
Ces avancées se traduisent non seulement par des améliorations significatives des performances des matériaux, mais favorisent également des innovations profondes dans les modèles de R&D. Par exemple,Une équipe de l’Université Jiao Tong de Shanghai a utilisé l’apprentissage automatique pour sélectionner 12 électrolytes hautement stables parmi 29 000 structures de grenat.L'efficacité de calcul est 95 fois supérieure à celle des méthodes DFT traditionnelles.
Lien vers l'article :
https://www.sciencedirect.com/science/article/abs/pii/S2211285521005929
La base de données dynamique (DDSE) construite par l'Université de Tohoku au Japon met à jour les données expérimentales mondiales en temps réel et combine les prédictions de l'IA pour fournir des conseils de conception de matériaux à plus de 100 entreprises. CATL, la principale société chinoise en matière de nouvelles technologies d'innovation énergétique, a mis en place une plate-forme de conception intelligente pour les matériaux de batterie.Il contient plus de 180 millions de données moléculaires et 1 million de données cristallines, ainsi que plus de 10 bases de données de recherche et développement spéciales telles que les électrodes positives, les électrodes négatives et les électrolytes.Il dispose d'une puissance de calcul de plus de 1 PFlops et peut effectuer le criblage des matériaux et la vérification en boucle fermée dans un délai de 90 jours. De plus, l’IA a démontré des avantages uniques dans la résolution des problèmes d’interface solide-solide. Le modèle de nanomouillage développé par l'équipe de Zhang Qiang à l'Université Tsinghua optimise la distribution des contraintes d'interface grâce à l'IA, augmentant ainsi la durée de vie du cycle de la batterie de 3 fois.
Lien vers l'article :
https://pubs.acs.org/doi/10.1021/jacs.4c08115
À l’heure actuelle, l’intégration profonde de l’IA et des électrolytes à l’état solide accélère le processus d’industrialisation. Toyota prévoit de lancer une batterie entièrement solide équipée d'un électrolyte conçu par l'IA, qui devrait avoir une autonomie de plus de 1 000 kilomètres. La ligne pilote d'électrolytes sulfurés de CATL a un taux de rendement de 95% et sa capacité de production devrait dépasser 1 000 tonnes en 2025. La nature open source de grands modèles verticaux tels que DeepSeek permet aux petites et moyennes entreprises d'accéder aux capacités de R&D en IA à faible coût.Promouvoir l’amélioration de l’efficacité à l’échelle de l’industrie de 1 à 2 ordres de grandeur.Ces avancées indiquent que la recherche et le développement de batteries à l'état solide sont entrés dans l'ère de la « création intelligente » à partir de « l'exploration par essais et erreurs », et que l'IA devient le moteur principal pour surmonter les goulots d'étranglement matériels et accélérer l'itération technologique.
Articles de référence :
1.https://baijiahao.baidu.com/s?id=1824647127596448596&wfr=spider&for=pc
2.https://stock.stockstar.com/RB2025012400049753.shtml
3.https://www.toyota.com.cn/toyotatimes/tinfo/index.php?t_id=559&lmid=100
4.http://www.istis.sh.cn/cms/news/article/45/26764
5.https://baijiahao.baidu.com/s?