Maskinlæring for at udvikle sikrere batterier

Elektronik er afgørende for hverdagen. Hvordan ville vores liv være uden vores mobiltelefoner eller computere? Fra legetøj til vaskemaskiner til elbiler, elektronik fortsætter med at udfylde vores daglige rutiner. Mange af disse elektronikker drives af lithium-ion-batterier med høj energitæthed. Men to faktorer i disse batterier kan føre til farlige konsekvenser.

Først, batterielektrolyt, det materiale, der leder ioner mellem katoden og anoden, er typisk en væske, som er brandfarlig. Sekund, som batterier oplades og aflades over tid, ujævn lithiumaflejring ved anoden kan føre til vækst af dendritter, som kan forbinde katoden og anoden. Dette kan føre til brande og eksplosioner på grund af elektrolyttens brændbarhed. Både Tesla -biler og Boeing -fly har lidt af problemer med dendritbatterier, og pludselige mobiltelefoneksplosioner kan også tilskrives dendritter.

Dette er det problem, som Zeeshan Ahmad og Tian Xie forsøger at løse. Ahmad, en ph.d. kandidat i maskinteknik ved Carnegie Mellon University, og Xie, en ph.d. kandidat i materialevidenskab og teknik ved Massachusetts Institute of Technology, for nylig udgivet et papir om deres forskning for at finde mulige løsninger på dette dendritproblem. De henvendte sig til maskinlæring for at generere og analysere enorme mængder data for at finde disse løsninger.

For at undertrykke væksten af ​​dendritter, Ahmad og hans kolleger undersøgte potentielle faste elektrolytter, som i modsætning til flydende elektrolytter, er ikke brandfarlige. Ikke kun dechiffrerede de, hvilke egenskaber den faste elektrolyt kræver, de skulle også analysere tusindvis af mulige faste materialer, hvilket ville have taget år at bruge traditionelle eksperimentelle metoder.

"Vi havde 13, 000 uorganiske krystallinske materialer til at screene for den faste elektrolyt, " Ahmad sagde. "Det var svært bare at beregne egenskaberne af hver fast elektrolyt separat, fordi det er meget beregningsmæssigt dyrt. Vi brugte maskinlæring, fordi det kan arbejde på store dataskalaer, for at finde ud af egenskaberne af faste elektrolytter."

På grund af omfanget af datatilgængelighed, Ahmad og Xie brugte en række forskellige maskinlæringsmodeller. For sager med tilstrækkelige eksisterende data, der kan bruges til træning af modellen, de brugte en grafisk konvolutionel neural netværksmodel til at forudsige egenskaberne af uorganiske krystallinske faste elektrolytter. I tilfælde, hvor der ikke var tilstrækkelige træningsdata, de brugte lineær regression med regularisering, hvilket er mere velegnet til lavdataproblemer.

"Vi testede alle disse materialer for designkriterier eller faste elektrolytter, " sagde Ahmad. "Vores faste elektrolytter bør undertrykke dendritvækst ved lithiummetalanoden og være elektronisk isolerende. De skal være stabile - de bør ikke nedbrydes spontant ved stuetemperatur. De bør lede ioner meget hurtigt for at opnå en høj effekttæthed af batteriet, der kræves til hurtig opladning. "

Efter analyse af de faste stoffer, de fandt seks mulige materialer, der kunne bruges som faste elektrolytter, tilhørende sulfidet, jodid, og borhydridklasser.

"Vi er meget begejstrede for at anvende vores machine learning -rammer til vigtige materialeproblemer, derfor har samarbejdet med CMU -teamet været så givende, " sagde Xie. "At finde seks potentielle faste elektrolytter på så kort tid viser muligheden for at accelerere materialeopdagelsen drastisk med maskinlæringsværktøjer."

Nu, Ahmad arbejder på at omgå den grundlæggende afvejning mellem faste stoffer og væsker:væsker har generelt en høj ionisk ledningsevne, og meget få faste stoffer, der har et sammenligneligt niveau af ledningsevne, er også stabile nok til at blive brugt som elektrolytter. Ahmad forsker i potentialet af kompositelektrolytter, kombinere flere faste stoffer med forskellige ønskede egenskaber.

"Vi undersøger kompositelektrolytter, men problemet er, at vi generelt ikke har tilstrækkelige data til at bruge maskinlæring, " Ahmad sagde. "Så vi forsøger at løse dette problem gennem første principper metoder - vi bruger tæthed funktionel teori og molekylær dynamik til at forudsige egenskaberne. Når vi gør det for, Lad os sige, fem materialer, vi kan finde ud af visse designprincipper, og så kan vi prøve at bruge disse designprincipper til at hjælpe os med at screene gennem andre kompositter."

Papiret, Maskinlæringsaktiveret beregningsscreening af uorganiske faste elektrolytter til undertrykkelse af dendritdannelse i lithiummetalanoder, blev offentliggjort i tidsskriftet ACS Central Science , DOI:10.1021/acscentsci.8b00229. Det blev kåret til et top ioniserende papir i Research Interfaces. Yderligere forfattere var Venkat Viswanathan, en assisterende professor i maskinteknik ved Carnegie Mellon, Jeffery C. Grossman, en professor i materialevidenskab og teknik ved MIT, og Chinmay Maheshwari, studerende ved Indian Institute of Technology, Bombay, som var sommerforskerpraktikant i Viswanathans laboratorium.