هوش مصنوعی در خدمت باتری‌های آینده
پژوهشگران دانشگاه شیکاگو با به‌کارگیری هوش مصنوعی، رویکردی نوین در کشف و توسعه الکترولیت‌های جامد ارائه داده‌اند؛ موادی که کلید افزایش چشمگیر برد، ایمنی و طول عمر باتری‌های لیتیوم-یون نسل آینده به شمار می‌روند و می‌توانند تحولی بنیادین در صنعت خودروهای برقی ایجاد کنند.
به گزارش گروه رسانه ای شرق، در عصر رقابت برای توسعه خودروهای برقی با برد بیشتر و دوام بالاتر، نوآوری در ساخت باتری‌ها به یکی از محورهای اصلی تحقیقات علمی تبدیل شده است. اکنون تیمی از دانشمندان دانشگاه شیکاگو موفق شده‌اند با استفاده از هوش مصنوعی، گامی بلند در طراحی نسل بعدی باتری‌ها بردارند. این فناوری جدید می‌تواند به شکل چشمگیری روند کشف و توسعه الکترولیت‌های پیشرفته را تسریع کند، الکترولیت‌هایی که نقش حیاتی در عملکرد، ایمنی و عمر مفید باتری‌های لیتیوم-یون دارند.
الکترولیت‌های جامد؛ راهی برای افزایش دو برابری برد و عمر باتری
باتری‌های لیتیومی نسل جدید با تکیه بر الکترولیت‌های جامد طراحی می‌شوند؛ موادی که می‌توانند رسانایی یونی بالا، پایداری شیمیایی و بازده انرژی مطلوب را به‌طور هم‌زمان فراهم کنند. اما رسیدن به ترکیب شیمیایی‌ای که تمام این ویژگی‌ها را داشته باشد، کار ساده‌ای نیست. به طور سنتی، یافتن این ترکیبات از طریق روش‌های آزمون و خطا انجام می‌شده است؛ فرآیندی زمان‌بر و پرهزینه.
تیم تحقیقاتی به رهبری ریتش کومار، دانشجوی پسادکترا در آزمایشگاه «آمانچوکو» در دانشکده مهندسی مولکولی دانشگاه شیکاگو، با طراحی یک چارچوب مبتنی بر هوش مصنوعی، توانسته‌اند این مسیر دشوار را هموار کنند. آن‌ها مدلی را توسعه داده‌اند که با استفاده از شاخصی به نام eScore ، مولکول‌های الکترولیت را از منظر سه معیار کلیدی – رسانایی یونی، پایداری اکسیداتیو و بازده کولنی – ارزیابی و رتبه‌بندی می‌کند.
تغذیه هوش مصنوعی با داده‌های ۵۰ ساله
برای آموزش این مدل، محققان با صرف چند سال وقت، داده‌های مرتبط با باتری را از بیش از ۲۵۰ مطالعه علمی استخراج کرده‌اند؛ اطلاعاتی که بسیاری از آن‌ها در قالب تصاویر، نمودارها و جداول تعبیه‌شده در مقالات بودند و قابلیت استخراج خودکار نداشتند. به گفته پژوهشگران، چالش اصلی این بود که مدل‌های زبانی رایج تنها با داده‌های متنی کار می‌کنند، بنابراین نیاز بود داده‌ها از تصاویر به صورت دستی وارد شوند. این حجم گسترده از داده‌ها، مدل را قادر ساخت که الگوهای شیمیایی پیچیده را فرا بگیرد و عملکرد مولکول‌های جدید را پیش‌بینی کند.
در یکی از آزمایش‌ها، مدل توانست مولکولی را شناسایی کند که عملکرد آن با بهترین الکترولیت‌های تجاری موجود برابر بود. این نتیجه، نقطه عطفی در بهره‌گیری از هوش مصنوعی در حوزه طراحی مواد محسوب می‌شود.
هوش مصنوعی؛ مثل یک دی‌جی شیمیایی
پروفسور آمانچوکو در مثالی جالب، کاربرد هوش مصنوعی در این پروژه را به الگوریتم‌های پخش موسیقی آنلاین تشبیه کرده است: «همان‌طور که سیستم‌های پخش آنلاین از عادات شنیداری کاربر یاد می‌گیرند تا آهنگ‌های مناسب‌تری پیشنهاد دهند، مدل ما نیز می‌آموزد که کدام مولکول‌ها برای ساخت الکترولیت‌های بهتر مناسب‌ترند.»
او ادامه می‌دهد: «گام بعدی این است که هوش مصنوعی نه تنها مولکول‌های خوب را تشخیص دهد، بلکه خود نیز مولکول‌های کاملاً جدیدی طراحی کند؛ همان‌طور که یک دی‌جی حرفه‌ای، لیست پخش منحصر به‌فردی برای شما می‌سازد.»
گام بعدی: ورود به فضای شیمیایی ناشناخته
اگرچه نتایج اولیه دلگرم‌کننده بوده‌اند، اما پژوهشگران تأکید می‌کنند که هنوز راه زیادی در پیش است. مدل فعلی توانسته در مورد ترکیبات شیمیایی مشابه موارد شناخته‌شده عملکرد خوبی داشته باشد، اما برای ارزیابی ترکیباتی که از نظر ساختار شیمیایی کاملاً متفاوت‌اند، نیاز به آموزش‌های بیشتری دارد.
در حال حاضر، تمرکز تیم روی توسعه نسخه‌ای از این مدل است که بتواند عملکرد مولکول‌ها را در فضاهای شیمیایی ناشناخته نیز پیش‌بینی کند. اگر این هدف محقق شود، درهای تازه‌ای به روی طراحی باتری‌هایی باز خواهد شد که سبک‌تر، ایمن‌تر و بسیار بادوام‌تر از نمونه‌های امروزی هستند.
آینده‌ای روشن برای باتری‌های خودروهای برقی
این تحقیق که در مجله تخصصی Chemistry of Materials منتشر شده، نویدبخش انقلابی در صنعت باتری‌سازی است. استفاده از هوش مصنوعی نه تنها فرآیند تحقیق و توسعه را متحول کرده، بلکه می‌تواند وابستگی به منابع پرهزینه و وقت‌گیر آزمایشگاهی را نیز کاهش دهد. اگر پیشرفت‌ها به همین صورت ادامه یابد، در آینده‌ای نه‌چندان دور شاهد خودروهای برقی با برد بیشتر، شارژدهی سریع‌تر و طول عمر بالاتر خواهیم بود؛ خودروهایی که به لطف فناوری هوش مصنوعی، هر روز هوشمندتر و کارآمدتر می‌شوند.
