30 年間の粘り強さを経て、MIT は次世代のリチウム電池を目指し、生成 AI を使用して固体電解質における大きな進歩を達成しました。
MIT の 4 号館の地下には、学生たちが「イノベーションのゆりかご」と呼ぶ研究室、研究室 4-061 があります。ここ、ドナルド・サドウェイ教授は、1990 年代後半から固体高分子電解質 (SPE) リチウム金属電池の研究を開始しました。この研究室は、昼夜を問わず数え切れないほどのハードワークと数え切れないほどの実験の失敗を目の当たりにしてきましたが、これらの挑戦こそが世界を変える革新的な発見を生み出したのでもあります。
過去 30 年間にわたり、MIT は固体高分子電解質 (SPE) の研究の手を緩めませんでした。人工知能テクノロジーの急速な発展に伴い、MIT 研究チームは機械学習とデータ駆動型戦略を使用して一連の革新的な研究を開始しています。高度なアルゴリズムと膨大なデータを使用して、従来の材料の限界を打ち破り、バッテリー技術の将来に新たな可能性を開くことを目指しています。
少し前のことですが、MIT とトヨタ研究所の研究チームは、生成人工知能技術を使用して高分子電解質の新しい設計を開発するために協力しました。彼らは、事前トレーニングおよび微調整方法を使用して、GPT ベースの minGPT と拡散ベースの 1Ddiffusion および diffusion-LM モデルを比較し、潜在的な応用価値を持つ多数の新規で多様なポリマーの作成に成功しました。この成果は、材料設計分野における人工知能の強力な可能性を実証するだけでなく、固体電解質の開発に新たな活力を注入するものでもあります。論文の原文を入手するには、公開アカウントの背景にある「Electrolyte」に返信してください。
次世代リチウム電池の希望の星：AI が固体高分子電解質の革新的なブレークスルーを支援
固体高分子電解質 (SPE) は、次世代リチウムイオン電池の有力な候補であると広く考えられています。これらは、安全性、エネルギー密度、製造パフォーマンスの点で、液体電解質に比べて大きな利点を示します。ただし、SPE のイオン伝導率は通常、市販の液体電解質のイオン伝導率よりも数桁低く、その特性により実際の用途が大幅に制限されます。この課題に対処するために、研究者たちは広範な実験研究と計算研究を実施してきました。
一方で、研究者たちは、データマイニングが物質の構造と特性の関係を理解するための新しいソリューションを提供することを発見しつつあります。上海交通大学の研究チームは、2021年には「人工知能を固体電解質の全体的な設計と識別に利用する」というタイトルの研究を雑誌Nano Energyに発表し、機械学習モデルを組み合わせ、DFT計算を29,000以上に制限した。ガーネット (ガーネット固体電解質) 構造を設計し、室温で電子伝導性が極めて低い 12 個の候補が迅速にスクリーニングされました。この方法は、計算上、スクリーニングサイクルを少なくとも 95 年短縮し、固体電解質の設計と発見のための新しいアイデアと方法を開きます。
論文リンク:
https://www.sciencedirect.com/science/article/pii/S2211285521005929
2023年までに、日本の東北大学の研究チームは「固体電解質の動的データベース（DDSE）」というタイトルの研究で、動的全固体電池電解質データベースを構築し、機械学習を使用してイオン伝導度を予測しました。実験的に合成された新しい材料の性能リファレンスを提供します。
論文リンク:
https://www.sciencedirect.com/science/article/pii/S258996512300034X
その一方で、研究者らは新材料の発掘を通じてポリマーのイオン伝導性を改善することにも取り組んでいます。現在、高温操作、補助添加剤の添加、共重合などの一般的な方法は一定の進歩を遂げていますが、そのほとんどはポリエチレンオキシド（PEO）に依存しています。材料自体の限界により、PEO材料はSPE技術の開発にとって大きな障害となっています。しかし、非 PEO ポリマーの探索は現段階ではまだ比較的限られています。より広範な非 PEO ポリマーの領域を探索するために、機械学習とデータ駆動型の手法がポリマーの特性予測とリバース デザインで広く使用され始めています。
人工知能は新しいポリマーの発見を加速させることができますが、同時に特有の課題も引き起こします。一般に、AI 予測の精度は豊富で多様かつ広範な初期データセットに依存するため、高品質のデータが非常に重要です。さらに、化学的に現実的な合成ポリマーを生成できる一連のアルゴリズムを設計するのは複雑な作業です。したがって、さまざまな機械学習手法の中でも、ジェネレーティブ デザインは、データから学習して新しい候補物質を作成する能力に優れています。このアプローチは、既存のデータから学習してポリマーデータベースを拡張するだけでなく、特定のターゲットに合わせたポリマー材料のカスタム設計にも役立ちます。
ただし、現在、ポリマー生成にこれらの高度な生成 AI 技術を利用した研究はほとんどありません。非PEO材料、特に構造ランダム性の高い非晶質材料の高分子電解質分野における生成AI技術の応用を研究するために、新しい研究で、MITと豊田研究所の研究チームは、ポリマー生成におけるさまざまな高度な生成モデルの複雑さを詳しく調査し、新しいGPTと拡散ベースのモデルポリマーのde novo設計アプローチを継続的に生成および評価できる方法を提案しています。電解質は実験的テストのための新しい候補を提供します。
minGPT は拡散モデルを上回るパフォーマンス: 事前トレーニング戦略によりデータセットの適応性が向上
MIT の新しい研究では、価値のある新しい高分子電解質材料を開発するために、この研究では、トークン化、トレーニング、生成、評価の 4 つのモジュールを通じてポリマー生成の体系的な評価スキームを設計しました。
まず、トークン化フェーズでは、研究者らはまず、6,024 種類の異なる非晶質ポリマー電解質を含む HTP-MD データセットを選択しました。これらのポリマーのイオン輸送特性は、主に分子動力学 (MD) シミュレーションを通じて計算されます。
このデータセットに基づいて、トレーニング段階で、研究者らは、GPT モデルの一般的なオープンソース PyTorch レプリケーション プロジェクトである minGPT を含むいくつかの異なる生成 AI モデル (Generative AI) と、1 次元ノイズ除去拡散確率モデル (1Ddiffusion) と拡散言語モデル (diffusion- LM) ポリマー生成に関するパフォーマンス。
研究者らは、これらのモデルを比較することで、望ましい特性を持つ高分子電解質を生成する最も効率的な方法を見つけたいと考えている。 3 つのモデルが異なる損失関数を持っていることを考慮すると、損失値は化学システムの包括的な評価を提供しない可能性があります。したがって、研究者らは、異なるハイパーパラメーターの組み合わせの下でモデルのパフォーマンスを評価するための 6 つの異なるメトリックを含むポリマー生成を評価する方法を提案しました。
* 1Ddiffusion モデルは、元々画像生成用に開発されたノイズ除去拡散確率モデル (DDPM) を改良したものです。
* diffusion-LM モデルでは、非自己回帰言語モデル アーキテクチャが連続拡散の概念と結合され、テキストの生成に使用できます。
* minGPT プロジェクトのアドレス:
https://gitcode.com/gh_mirrors/mi/minGPT
* 1Ddiffusion プロジェクトのアドレス:
https://gitcode.com/gh_mirrors/de/denoising-diffusion-pytorch
* diffusion-LM プロジェクトのアドレス:
https://gitcode.com/gh_mirrors/di/Diffusion-LM
この研究では、研究者らはまず、無条件生成の場合、つまり、属性制約なしで、HTP-MD データセットを使用して「言語」を学習する生成モデルをトレーニングした場合のモデル アーキテクチャのパフォーマンスを研究しました。無条件生成の過程で、生成フェーズでモデルをトレーニングして、化学的に有効な新規のユニークな合成ポリマーをランダムに生成できます。
結果を下の図に示します。minGPT モデルと拡散 LM モデルのパフォーマンスは同等ですが、1Ddiffusion モデルのパフォーマンスは比較的劣っています。計算コストの点では、minGPT モデルは拡散ベースのモデルよりもトレーニングと推論において効率的です。 Tesla V100 GPU コア (16GB RAM) では、最適な minGPT モデルのトレーニングにかかる時間はわずか約 3 ～ 4 分ですが、最適な 1Ddiffusion モデルと diffusion-LM モデルのトレーニング時間は約 2 時間かかります。
次に、この研究では、生成モデルをさらに導き、理想的な特性を備えたポリマー電解質を作成し、条件付きケースでのモデル アーキテクチャのパフォーマンスを研究しました。たとえば、高いイオン伝導率を達成するために、研究者らはまず HTP-MD データセット内のポリマーを高伝導率と低伝導率の 2 つのグループに分割し、次に無条件生成タスクのハイパーパラメーター調整から得られた最適なモデル アーキテクチャを生成で利用しました。段階では、条件に応じて導電性の高い高分子電解質が生成されます。
最後に、彼らはグラフ ニューラル ネットワーク (GNN) モデルを使用して、得られるポリマーのイオン伝導率を予測しました。テストされた 46 個の候補材料の中から、最終的に優れたイオン伝導性を備えた 17 個のポリマーがスクリーニングされました。この結果は、無条件生成の結果と一致して、minGPT モデルが条件付き生成でも 1Ddiffusion モデルおよび diffusion-LM モデルを上回り、優れた平均スコアを達成していることも示しています。これは、minGPT モデルが新規ポリマーの生成に優れているだけでなく、特定の望ましい特性を備えたポリマー電解質の生成を効果的に導くことを示しています。
minGPT モデルは、無条件生成と条件付き生成の両方で拡散ベースのモデルよりも優れています。したがって、研究者らは、minGPT モデルに対する事前トレーニングおよび微調整方法の影響をさらに研究しました。具体的には、彼らは 2 つの異なるトレーニング戦略を比較しました。1 つは HTP-MD データセットでゼロから直接トレーニングされた minGPT モデルで、もう 1 つは無条件生成のために PI1M データベースで事前トレーニングされ、その後 HTP で微調整が実行されます。 - 条件付きで生成された minGPT モデルを実現するための MD データ セット。
* PI1M データベース: 100 万個のポリマーモノマーを含むベンチマーク データベースですが、ポリマーのイオン伝導度情報が欠如しています。
結果は、事前トレーニング戦略により、微調整のトレーニング時間が大幅に短縮され、条件生成の有効性と一意性スコアが向上することが示されています。さらに、事前トレーニングにより、HTP-MD データセット内のポリマー特性を捕捉するモデルの能力が強化され、生成プロセス中にポリマーの多様性がさらに広がりました。これはつまり、最初に大規模データベースで事前トレーニングを行うことで、モデルは特定のデータセットのニーズによりよく適応できるため、新しいポリマーを生成する際の効率と精度が向上します。
MITがトヨタ研究所と提携し、自動車分野でのAIの普及を促進
実際、この研究は MIT とトヨタ研究所の最初の共同研究ではなく、両者の協力の歴史は 10 年前に遡り、その成果は非常に有益です。
早くも2015年9月、トヨタ自動車は今後5年間で5,000万米ドルを投資し、MITおよびスタンフォード大学と共同で無人運転車を共同開発する研究センターを設立すると発表した。この協力により、自動車の研究開発における AI の広範な応用の基礎が築かれました。
わずか 1 年後、AgeLab、MIT の運輸・物流センター、トヨタ協同安全研究センター (CSRC) は、DriveSeg と呼ばれる革新的なオープン データ セットをリリースしました。このデータセットは、ビデオを通じて運転シーンをキャプチャし、実際の動的な運転状況に近いデータ ストリームを提供し、機械学習、シーン理解、行動予測などの分野の開発を大幅に促進します。
2020年、MIT、トヨタ研究所、スタンフォード大学の研究チームは、機械学習モデルを紹介する論文「charginmachine learningによるバッテリーの高速プロトコルの閉ループ最適化」をNatureに発表した。このモデルでは、バッテリーの充電テスト時間が約 2 年から 16 日に短縮され、約 15 分の 1 に短縮されます。バッテリー寿命を正確に予測できます。このアプローチにより、バッテリー開発のあらゆる側面がスピードアップされ、メーカーがバッテリーをより効率的に設計および製造できるようになると期待されています。
論文リンク:
10.1038/s41586-020-1994-5
5年間の協定は期限切れとなったが、さまざまな関係者間の協力は止まっていない。 2021年、MIT、豊田研究所、スタンフォード大学、SLACの研究チームは、電気自己触媒によって駆動されるLi層状酸化物の仮想相分離というタイトルの論文を「Nature Materials」に再び発表した。「科学的機械学習」が初めてバッテリーサイクル研究に適用されました。リチウムイオン電池の充電と放電に関する従来の前提を覆し、10 分未満で充電できる長寿命の電気自動車用バッテリーを設計するための新しいルールを提供します。
論文リンク:
10.1038/s41563-021-00936-1
今回、MITとトヨタ研究所は再び協力して、新しいポリマー候補を継続的に生成して評価できる方法を開発しました。このアプローチは、複雑なポリマー設計の問題を解決し、次世代電池材料の探索を前進させる大きな可能性を秘めています。
リチウム電池産業のアップグレードと変革: AI が重要な推進力となる
電気自動車の幅広い用途から、スマートフォンやラップトップなどの日常使用する家電製品、さらにはスマートホームデバイスまで、リチウム電池は効率的なエネルギー貯蔵機能により、これらのデバイスに強力な電力サポートを提供します。
世界的には、例えば工業情報化省など4部門が「新産業標準化パイロットプロジェクト実施計画（2023～2035年）」を実施するなど、世界各国政府がリチウム電池の開発に大きな注目を集めている。 2024年11月に発表されたばかり リチウム電池業界標準のトップレベル設計を強化し、リチウム電池の健全かつ秩序ある発展を促進することを目的とした「国家リチウム電池業界標準体系構築のためのガイドライン（2024年版）」が発行された業界。
米国、欧州、韓国などの国や地域も、世界的な競争で主導的な地位を維持するために、リチウム電池の研究開発への投資を増やしている。たとえば、2021 年 11 月、米国エネルギー省、国防省、商務省、国務省が共同で設立した連邦先進電池アライアンス (FCAB) は、開発の指針となることを目的として、リチウム電池に関する 2021 ～ 2030 年の米国国家青写真を発表しました。米国のリチウム電池の製造バリューチェーンへの投資、雇用の創出。これらの政策は技術革新を促進するだけでなく、リチウム電池の普及に向けた強固な基盤を提供します。
しかし、さまざまなデバイスの性能要件が継続的に改善されているため、現在のリチウム電池の研究開発は、材料革新の進歩が比較的遅いこと、大量の電池データを効果的に処理して分析することが難しいことなど、継続的な課題と革新ニーズに依然として直面しています。
リチウム電池業界は技術革新の波の真っただ中にあり、AIがこの技術ルネサンスを牽引する中心的な原動力であることは間違いありません。たとえば、世界最大のリチウム電池メーカーである Contemporary Amperex Technology (CATL) は、AI テクノロジーを使用してリサイクル プロセスを最適化し、リチウム電池リサイクルの分野で大きな進歩を遂げ、リチウムのリサイクル率を 91% まで高めました。 Innosilicon Technology は、高度な人工知能アルゴリズムとビッグデータ分析テクノロジーを使用して、リチウム電池生産のあらゆる側面を徹底的に最適化し、リチウム電池生産のインテリジェンス レベルを向上させるだけでなく、新しいリチウム電池材料の開発と応用を加速します。
将来的に、リチウム電池業界は大幅なアップグレードと変化を経験し続けるでしょう。技術が進歩し続け、市場の需要が拡大し続けるにつれて、リチウム電池はエネルギー転換と持続可能な開発においてますます重要な役割を果たすことになります。この過程で、AI テクノロジーは前例のない態度を示し、業界のさらなるアップグレードに重要な勢いを着実にもたらしています。