Elektronica is essentieel in het dagelijks leven. Hoe zou ons leven eruit zien zonder onze mobiele telefoons of computers? Van speelgoed tot wasmachines tot elektrische auto's, elektronica blijft onze dagelijkse routines bevolken. Veel van deze elektronica wordt aangedreven door lithium-ionbatterijen met een hoge energiedichtheid. Maar twee factoren in deze batterijen kunnen tot gevaarlijke gevolgen leiden.

Eerst, de batterij elektrolyt, het materiaal dat ionen geleidt tussen de kathode en de anode, is meestal een vloeistof, die ontvlambaar is. Tweede, aangezien batterijen na verloop van tijd worden opgeladen en ontladen, ongelijkmatige lithiumafzetting aan de anode kan leiden tot de groei van dendrieten die de kathode en anode kunnen verbinden. Dit kan leiden tot brand en explosies vanwege de ontvlambaarheid van de elektrolyt. Zowel Tesla-auto's als Boeing-vliegtuigen hebben last van dendrietbatterijproblemen, en plotselinge explosies van mobiele telefoons kunnen ook worden toegeschreven aan dendrieten.

Dit is het probleem dat Zeeshan Ahmad en Tian Xie proberen op te lossen. Achmed, een doctoraat kandidaat in werktuigbouwkunde aan de Carnegie Mellon University, en Xie, een doctoraat kandidaat in materiaalkunde en techniek aan het Massachusetts Institute of Technology, hebben onlangs een paper gepubliceerd over hun onderzoek naar mogelijke oplossingen voor dit dendrietprobleem. Ze wendden zich tot machine learning om enorme hoeveelheden gegevens te genereren en te analyseren om deze oplossingen te vinden.

Om de groei van dendrieten te onderdrukken, Ahmad en zijn collega's onderzochten potentiële vaste elektrolyten, die in tegenstelling tot vloeibare elektrolyten, zijn niet brandbaar. Ze ontcijferden niet alleen welke eigenschappen de vaste elektrolyt nodig heeft, ze moesten ook duizenden mogelijke vaste materialen analyseren, die jaren zou hebben geduurd met behulp van traditionele experimentele methoden.

"We hadden 13 000 anorganische kristallijne materialen om te screenen op de vaste elektrolyt, " zei Ahmad. "Het was moeilijk om de eigenschappen van elke vaste elektrolyt afzonderlijk te berekenen, omdat het erg rekenkundig duur is. We gebruikten machine learning omdat het kan werken op grote dataschalen, om de eigenschappen van vaste elektrolyten te achterhalen."

Vanwege het bereik van de beschikbare gegevens, Ahmad en Xie gebruikten verschillende modellen voor machine learning. Voor gevallen met voldoende bestaande gegevens die kunnen worden gebruikt voor het trainen van het model, ze gebruikten een grafisch convolutioneel neuraal netwerkmodel om de eigenschappen van anorganische kristallijne vaste elektrolyten te voorspellen. In gevallen waarin er niet voldoende trainingsgegevens waren, ze gebruikten lineaire regressie met regularisatie, die meer geschikt is voor problemen met weinig gegevens.

"We hebben al deze materialen getest op ontwerpcriteria of vaste elektrolyten, " zei Ahmad. "Onze vaste elektrolyten zouden dendrietgroei bij de lithiummetaalanode moeten onderdrukken en elektronisch isolerend zijn. Ze moeten stabiel zijn - ze mogen niet spontaan ontleden bij kamertemperatuur. Ze moeten ionen zeer snel geleiden om een ​​hoge vermogensdichtheid van de batterij te bereiken die nodig is voor snel opladen."

Na analyse van de vaste stoffen, ze vonden zes mogelijke materialen die kunnen worden gebruikt als vaste elektrolyten, behorend tot het sulfide, jodide, en boorhydrideklassen.

"We zijn erg enthousiast om ons machine learning-raamwerk toe te passen op belangrijke materiaalproblemen, daarom was de samenwerking met het CMU-team zo lonend, Xie zei. "Het vinden van zes potentiële vaste elektrolyten in zo'n korte tijd toont de mogelijkheid om materiaalontdekking drastisch te versnellen met machine learning-tools."

Nutsvoorzieningen, Ahmad werkt aan het omzeilen van de fundamentele afweging tussen vaste stoffen en vloeistoffen:vloeistoffen hebben over het algemeen een hoge ionische geleidbaarheid, en zeer weinig vaste stoffen met een vergelijkbaar niveau van geleidbaarheid zijn ook stabiel genoeg om als elektrolyten te worden gebruikt. Ahmad onderzoekt het potentieel van samengestelde elektrolyten, het combineren van meerdere vaste stoffen met verschillende gewenste eigenschappen.

"We onderzoeken samengestelde elektrolyten, maar het probleem is dat we over het algemeen niet over voldoende gegevens beschikken om machine learning te gebruiken, "Ahmad zei. "Dus we proberen dit probleem aan te pakken door middel van eerste-principes-methoden - we gebruiken dichtheidsfunctionaaltheorie en moleculaire dynamica om de eigenschappen te voorspellen. Als we het eenmaal doen, laten we zeggen, vijf materialen, we kunnen bepaalde ontwerpprincipes ontdekken, en dan kunnen we proberen die ontwerpprincipes te gebruiken om ons te helpen door andere composieten te screenen."

De krant, Machine Learning maakte computationele screening van anorganische vaste elektrolyten mogelijk voor onderdrukking van dendrietvorming in lithiummetaalanoden, werd gepubliceerd in het tijdschrift ACS Centrale Wetenschap , DOI:10.1021/acscentsci.8b00229. Het werd uitgeroepen tot een van de beste ioniserende papers in Research Interfaces. Andere auteurs waren Venkat Viswanathan, een assistent-professor werktuigbouwkunde aan Carnegie Mellon, Jeffery C. Grossman, een professor in materiaalkunde en techniek aan het MIT, en Chinmay Maheshwari, een student aan het Indian Institute of Technology, Bombay, die een zomer onderzoeksstagiair was in het laboratorium van Viswanathan.