Aktiv læring fremskynder redox-flow batteri opdagelse

Ved at bruge aktiv læring, forskere finder hurtigere egnede kandidater til redox-flow batterier.

Når det er tid til at designe en ny batterikemi, forskere kan kun prøve en håndfuld muligheder eksperimentelt, da det tager tid og ressourcer at syntetisere og undersøge hvert nyt molekyle. Ved at udføre pålidelige molekylære simuleringer ved hjælp af supercomputere, forskere kan fremskynde den ønskede materialescreeningsproces og udvide bredden af ​​deres søgning, samtidig med at man får detaljeret information om mulighederne i forskellige kemier.

Imidlertid, selv high-throughput simuleringer, der køres på disse supercomputere, kan kun se på en brøkdel af de mulige levedygtige kemier, der findes for visse typer batterier. I en ny undersøgelse fra det amerikanske energiministeriums (DOE) Argonne National Laboratory, forskere tager det næste skridt i at fremskynde jagten på de bedst mulige batterikomponenter ved at anvende kunstig intelligens.

Studieteamet, ledet af Argonne-kemikeren Rajeev Surendran Assary, undersøgte den indre funktion af redoxflow-batterier, hvor kemisk energi er lagret i opløste molekyler, der interagerer med elektroder. Flow-batterier er lovende til anvendelser i elnettet. De erstatter faste katoder og anoder med flydende opløsninger infunderet med molekyler, der lagrer og frigiver energi. Konventionelle strømningsbatterier er baseret på molekyler, der har et ladningslagrende element pr. molekyle, med begrænset alsidighed. Forskere ved Joint Center for Energy Storage Research (JCESR), en DOE Energy Innovation Hub ledet af Argonne, introducerede konceptet med at lagre og frigive energi med materialer kaldet "redox aktive polymerer, " eller redoxmerer, som er baseret på større molekyler, hver med snesevis af ladelagringselementer.

Sammenlignet med konventionelle systemer, redoxmers giver meget større fleksibilitet til uafhængigt at tilpasse mange aspekter af batteriets egenskaber og ydeevne. Redoxmer flow-batterier åbner en ny dør til flowbatteridesign, fordi de kan levere høj funktionalitet til lave omkostninger, med ringe skade på miljøet. JCESRs redoxmer -strømbatterier har potentiale til at transformere, hvordan vi tænker og bruger strømbatterier til nettet.

I tilfælde af redoxmererne under undersøgelse, Assary og hans kolleger lagde mærke til, at når batteriet oplades og aflades, de har en tendens til at danne en inaktiv film. For at forhindre dette fænomen Argonne-teamet søgte at designe en redoxmer, der kunne spaltes elektrisk ved en bestemt spænding, frigør det til at komme ind i elektrolytopløsningen igen.

"Du kan tænke på det som at rense en pande, du laver mad på, " sagde Argonne postdoc-forsker Hieu Doan, en anden forfatter til undersøgelsen. "For nemmere at fjerne klæbrige madrester, du kan bruge høj varme, og det er det, vi gør med elektricitet."

Forskerne ønskede at have spaltningsspændingen lige uden for batteriets normale driftsvindue, så det ikke forstyrrer ydeevnen, men det ville heller ikke kræve meget ekstra energi.

For at finde en redoxmer, der ville spalte ved den passende spænding, Assary og holdet henvendte sig til Argonnes Bebop-supercomputer på Laboratory Computing Resource Center. Først, forskerne kørte et sæt af 1, 400 forskellige redoxmerer ved hjælp af density functional theory (DFT) beregninger, som er meget nøjagtige, men beregningsmæssigt dyre. Imidlertid, disse 1, 400 redoxmerer repræsenterede kun et lille udsnit af det samlede kemiske rum, som forskerne var interesserede i.

"Eksperimentelt, det kan tage måneder at syntetisere og teste et dusin af disse redoxmerer, så det er vigtigt at kunne studere mere end tusind redoxmerer på computeren i detaljer, "Sagde Assary.

Hver af disse redoxmerer består af et molekylært stillads, hvorpå der er placeret en række forskellige kemiske funktionelle grupper - som er yderligere atomer eller molekyler. "Stilladset blev designet baseret på forslag fra vores eksperimentelle samarbejdspartnere, " sagde Doan. Mens stilladset er konsekvent på tværs af redoxmererne, at variere de funktionelle grupper giver forskellige egenskaber.

For at finde de ideelle molekyler fra et større datasæt bestående af mere end 100, 000 redoxmerer uden at køre omfattende DFT-beregninger, forskerne brugte en machine learning -teknik kaldet aktiv læring. Dette større datasæt omfattede redoxmers, der strukturelt lignede dem i det originale DFT -datasæt på 1, 400 molekyler - i det omfang begge sæt molekyler brugte det samme stillads. Imidlertid, på grund af de forskellige måder, de funktionelle grupper blev befolket på, egenskaberne divergerede.

"Hvor meget læring du kan gøre i maskinlæring er begrænset af dit træningsdatasæt, " sagde Assary. "Du kan kun vide, hvad du har set, og hvis du har noget andet, som du forsøger at forudsige, det er muligvis ikke effektivt. "

I stedet for at træne på alle data, Assary og hans kolleger trænede modellen på kun en håndfuld forskellige redoxmer-muligheder. Ifølge Doan, efter træning af modellen med 10 datapunkter, modellen vælger det 11. datapunkt alene fra den resterende datapulje.

"Modellen garanterer, at ved at tilføje dette nye datapunkt til træningssættet, det bliver bedre, og så kan vi træne det igen, "Doan sagde." Uanset hvad der maksimerer nøjagtigheden af ​​modellen, det vil være det næste datapunkt at vælge."

Assary sagde, at for at identificere 30 molekyler med de ønskede egenskaber fra et indledende datasæt på 1, 400, tog kun 70 valg. Med tilfældig plukning, kun 9 procent af valgene ville have været succesfulde, repræsenterer en femdobbelt forbedring.

"En så væsentlig forbedring i forhold til et så stort kemisk rum er bemærkelsesværdig, " sagde Assary. Sandelig, når den samme tilgang blev anvendt på 100, 000+ datasæt, det fandt med succes 42 ønskede molekyler inden for 100 pluk.

Et papir baseret på undersøgelsen, "Kvantkemisk informeret aktiv læring for at fremskynde design og opdagelse af bæredygtige energilagringsmaterialer, " blev offentliggjort i 28. maj-udgaven af Materialernes kemi .