Os pesquisadores se voltaram para a inteligência artificial para resolver um problema que tem cientistas irritantes de materiais por décadas: como descobrir com eficiência novos materiais que podem superar a bateria de íon de lítio. Um estudo inovador publicado em Cell Reports Science Phys Revela uma nova metodologia poderosa que já identificou cinco novos candidatos materiais, potencialmente acelerando o movimento em direção a um futuro pós-lítio com baterias mais duradouras, mais seguras e ambientalmente sustentáveis.
O ótimo gargalo de bateria: uma agulha em um palheiro
Apesar de toda a sua onipresença, as baterias de íon de lítio têm limitações. A dependência de metais raros, como lítio e cobalto, apresenta riscos significativos da cadeia de suprimentos e preocupações ambientais. Além disso, a tecnologia está se aproximando de um platô em termos de densidade e desempenho de energia. Os cientistas teorizaram há muito tempo que os materiais conhecidos Óxidos de metal de transição (TMOS) manter imensa promessa. Suas estruturas cristalinas versáteis e alta condutividade iônica os tornam candidatos ideais para baterias que usam íons abundantes e multivalentes como zinco, magnésio e alumínio em vez de lítio.
O desafio, no entanto, é monumental. O número de possíveis estruturas de TMO, combinando vários elementos em diferentes proporções e configurações, é astronomicamente vastas. Explorá -los com métodos experimentais tradicionais ou mesmo técnicas computacionais padrão, como a teoria funcional da densidade (DFT), é um problema clássico de “agulha em um palheiro” – proibitivamente lento e caro. É esse gargalo que a nova pesquisa pretende quebrar com uma estrutura generativa de IA sofisticada e dupla.
Uma estrutura de IA dupla para descoberta acelerada
Em vez de confiar em um único modelo, os pesquisadores projetaram um sistema sinérgico, onde dois tipos diferentes de IA generativa foram usados para explorar o espaço químico de diferentes ângulos. Essa abordagem garante uma busca mais abrangente e robusta de novos materiais viáveis.
O primeiro componente é um AutoEncoder variacional de difusão cristalina (CDVAE). Este modelo foi projetado para ser o Creative Explorer. Foi treinado em um conjunto enorme de mais de 44.000 estruturas de TMO conhecidas, permitindo que ele aprenda as “regras” fundamentais de como os cristais estáveis são formados. Os CDVAE então usam esse conhecimento para gerar uma ampla diversidade de novas estruturas cristalinas plausíveis – muitas das quais nunca foram vistas antes. No estudo, gerou um pool inicial de 10.000 candidatos, demonstrando seu poder na exploração de uma ampla gama de novas configurações.
O segundo componente é um ajuste fino lModelo de linguagem ARGE (LLM)especificamente uma versão do modelo Llama-3.1 da Meta. Enquanto normalmente associamos o LLMS ao texto, os pesquisadores o adaptaram inteligentemente à linguagem da química. Eles converteram estruturas cristalinas complexas em seqüências de texto tokenizadas que o LLM poderia processar. A força do modelo não está em ampla exploração, mas em precisão. Ele se destaca na geração de estruturas muito próximas do equilíbrio termodinâmico, o que significa que eles são altamente estáveis e mais propensos a serem sintetizáveis em um laboratório. Esse modelo também produziu 10.000 estruturas, mas elas estavam concentradas em uma região mais estreita e mais estável do espaço químico.
Depois que essas dezenas de milhares de candidatos foram geradas, eles foram passados para um terceiro modelo de IA, uma ferramenta de aprendizado de máquina para frente chamado Alignnque atuou como um filtro de triagem rápida. Ele rapidamente previu propriedades cruciais para cada estrutura – como sua energia de formação, lacuna de banda e “energia acima do casco” (uma métrica -chave para a estabilidade) – permitindo que os pesquisadores descartem candidatos pouco promissores e se concentrem apenas nos mais viáveis.
Comparando os criadores da IA: estabilidade versus novidade
Um dos resultados mais fascinantes do estudo foi a clara diferença nos materiais gerados pelos dois modelos. O LLM produziu uma porcentagem muito maior de estruturas que foram consideradas termodinamicamente estáveis, com uma “energia acima do casco” abaixo do limiar de 0,08 eV/átomo. Especificamente, 46% de seus candidatos filtrados eram estáveis, em comparação com apenas 15% dos CDVAE.
No entanto, isso não conta a história toda. Enquanto as criações do LLM eram mais estáveis ”fora da caixa”, o CDVAE produziu uma gama muito mais ampla de estruturas com maior diversidade estrutural. Sua capacidade de gerar materiais com grupos espaciais de menor simetria permitiu encontrar configurações exclusivas que, embora inicialmente menos estáveis, tinham o potencial de relaxar em mínimos de energia ainda mais profundos do que qualquer coisa que o LLM encontrou. Isso sugere que o CDVAE é superior a descobrir fases verdadeiramente novas e de energia profunda que podem ser sintetizadas sob condições específicas de não equilíbrio.
Esse trade-off é crucial: o LLM é melhor para encontrar materiais fáceis de fazer, enquanto as CDVAEs são melhores para encontrar materiais potencialmente inovadores que possam exigir técnicas de síntese mais avançadas.
The Breakthrough: Cinco novos AMMs para baterias de próxima geração
O triunfo final do projeto veio do modelo CDVAE, que gerou com sucesso cinco novas estruturas baseadas em TMO com propriedades ideais para baterias de íons multivalentes. Esses materiais, incluindo composições como Cusn₂of₈ e Ca₄o₂in₂Apresente as grandes estruturas de túnel aberto que são essenciais para permitir que os íons maiores se movam através do eletrodo de maneira eficiente e segura.
Para confirmar a viabilidade dessas descobertas, a equipe realizou cálculos de dispersão de fônonos em uma estrutura representativa, Ca₄o₂in₂. Os resultados não mostraram instabilidades de treliça, confirmando sua estabilidade dinâmica. Embora seja considerado metaestável, sua estrutura é sólida, abrindo a porta para sua síntese potencial. Esta etapa valida que a IA não está apenas gerando fantasias teóricas, mas materiais fisicamente plausíveis dignos de busca experimental.
