Op het gebied van materiaalkunde kunnen zelfs kleine variaties in experimentele parameters en protocollen leiden tot ongewenste veranderingen in de eigenschappen van een materiaal. Een baanbrekende ontwikkeling op dit gebied kwam met de komst van materiaalinformatica - een sterk gegevensafhankelijk veld, dat zich richt op materiaalgegevens, inclusief syntheseprotocollen, eigenschappen, mechanismen en structuren. Het heeft aanzienlijk geprofiteerd van kunstmatige intelligentie (AI), die grootschalige, geautomatiseerde gegevensanalyses, materiaalontwerp en experimenten mogelijk maakt die kunnen helpen bij het ontdekken van bruikbare materialen.

Helaas leidt het heen en weer delen van gegevens binnen de wetenschappelijke gemeenschap vaak tot gegevensverlies. Dit komt omdat de meeste materiële databases en onderzoekspapers zich grotendeels richten op structuur-eigenschap relaties en minder op belangrijke informatie zoals essentiële experimentele protocollen.

Om deze problemen aan te pakken, heeft een team van onderzoekers onder leiding van assistent-professor Kan Hatakeyama-Sato en professor Kenichi Oyaizu van de Waseda University in Japan een laboratoriumgegevensbeheerplatform ontwikkeld dat de relaties tussen eigenschappen, structuren en experimentele processen in elektronische laboratoriumnotebooks beschrijft. In dit elektronische laboratoriumnotitieboekje worden experimentele gebeurtenissen en gerelateerde omgevingsparameters weergegeven als kennisgrafieken.

Hun studie, die werd gepubliceerd in npj Computational Materials op 17 augustus 2022, gebaseerd op het concept dat experimentele informatie zonder verlies kan worden beschreven als kennisgrafieken. Het team nam een ​​op AI gebaseerd algoritme op dat deze kennisgrafieken automatisch in tabellen kon omzetten en deze naar een openbare repository kon uploaden. Deze stap is opgenomen om ervoor te zorgen dat het delen van gegevens verliesvrij was en om de wetenschappelijke gemeenschap in staat te stellen beter inzicht te krijgen in de experimentele omstandigheden.

Om de toepasbaarheid van dit platform te demonstreren, gebruikte het team het om superionische geleidbaarheid in organisch lithium te onderzoeken (Li ⁺ )-ion elektrolyten. Ze schreven alledaagse onbewerkte gegevens van meer dan 500 experimenten - zowel succesvolle als niet-succesvolle - in het elektronische laboratoriumnotitieboekje. Vervolgens transformeerde de dataconversiemodule de kennisgrafiekgegevens automatisch in machine-leerbare datasets en analyseerde de relatie tussen experimentele operaties en resultaten. Deze analyse bracht de belangrijke parameters aan het licht die nodig zijn om een ​​uitstekende ionische geleidbaarheid bij kamertemperatuur van 10 ⁻⁴ te bereiken. –10 ⁻³ S/cm en een Li ⁺ overdrachtsnummer zo hoog als 0,8.

Dus, wat zijn de realtime toepassingen van dit platform? Hatakeyama-Sato zegt:"Dit platform is momenteel toepasbaar op solid-state batterijen en zal met verbeterde prestaties kunnen bijdragen aan de ontwikkeling van veiligere batterijen met een hoge capaciteit."

Dit onderzoek biedt niet alleen een platform voor betrouwbaar datagericht onderzoek, maar zorgt ervoor dat alle informatie, inclusief experimentele resultaten en ruwe meetgegevens, voor iedereen openbaar beschikbaar is.

Hatakeyama-Sato bespreekt de implicaties op de lange termijn:"Door ruwe experimentele gegevens te delen met onderzoekers over de hele wereld, kunnen nieuwe functionele materialen sneller worden ontdekt. ​​Deze benadering kan ook de ontwikkeling van energiegerelateerde apparaten versnellen, waaronder de volgende generatie batterijen en zonnecellen." + Verder verkennen

Nieuwe hybride elektrolyt voor hoogwaardige Li-ion-batterijen