Skematisk diagram af automatiseret elektrolyteksperiment - "Clio." Den bruger en serie af to programmatiske pumper til at dosere og overføre en væskeprøve. Dosering sker fra fødeopløsninger (a) gennem en 24-ports ventil (b) medieret af pumper (c) og en trevejsventil (d) ind i enten en affaldsbeholder (e) eller en fælles beholder med en sonikator til blanding ( f). Overførsel tager væskeprøven gennem et dobbelt Pt-tråds ledningsevnekammer forbundet til en Palmsens4 potentiostat (g), en trevejsventil, der fører til en massebalance (h), og et Brookfield viskosimeter (i). Al 5 V omskiftning håndteres af et Devantech-relæ (j). Custom Labview-software (k) orkestrerer alle instrumenter. Argon fra handskerummet føres ind under højt tryk (l) for at hjælpe med at rydde ud af det lukkede volumen. Kredit:Nature Communications (2022). DOI:10.1038/s41467-022-32938-1
Et team af forskere ved Carnegie Mellon University har udviklet en ny tilgang til at fremskynde processen med at skabe stadig mere optimerede batterier. I deres papir offentliggjort i tidsskriftet Nature Communications , beskriver gruppen, hvordan de parrede en unik type robot med et AI-læringssystem for at skabe stadig mere nyttige ikke-vandige flydende elektrolytter.
Efterhånden som salget af håndholdte enheder er steget voldsomt, og bilproducenter har vendt sig til elektriske køretøjer, er efterspørgslen efter batterier, der holder længere og oplader hurtigere, også steget. Desværre har videnskaben om at udvikle nye batterier til at opfylde sådanne behov haltet - det involverer typisk brugen af intuition fra kemikernes side sammen med vedholdenhed. Sådanne bestræbelser kan tage år. I denne nye undersøgelse forsøgte forskerne i Pittsburgh at fremskynde processen ved at bruge automatiseringsteknikker.
Kernen i de fleste batteridesign er skabelsen af en ikke-vandig lithium-ion batterielektrolyt, der fungerer bedre end dem, der er blevet udviklet før. Forskere har en tendens til at skyde efter optimeret ionledningsevne. For at fremskynde processen med at finde dem, skabte forskerne en robot kaldet Clio, der accepterede de ingredienser, der blev brugt til at lave en elektrolyt, og derefter fulgte et sæt instruktioner for at lave nogle prøver.
De tilføjede derefter en computer, der kører en deep learning AI-applikation (kaldet Dragonfly), der accepterede data fra Clio og fra sensorer i elektrolytten, som blev produceret af robotten. Dragonfly analyserede prøven og foreslog derefter mulige forbedringer. Clio accepterede forbedringerne og brugte dem til at lave en ny prøve. Dette frem-og-tilbage-system blev gentaget flere gange (hver tog ca. to dage) med elektrolytten gradvist forbedret. På et tidspunkt udpeget af forskerne ophørte det mekaniske par med at fungere, hvilket gjorde det muligt for forskerne at teste de produkter, der var blevet produceret.
I deres test fandt forskerne ud af, at deres parrede system fungerede som håbet, de så gradvise forbedringer i elektrolytprøverne - det bedste viste sig at være 13 % bedre end de bedste batterier, der nu er på markedet.
Fremover planlægger forskerne at fortsætte med at forfine deres system for at give mulighed for at teste flere mål og måske få det til at køre hurtigere. + Udforsk yderligere
© 2022 Science X Network