Herausgeber |. Ziluo
Das traditionelle Materialforschungs- und -entwicklungsmodell basiert hauptsächlich auf experimentellen „Versuch-und-Irrtum“-Methoden oder zufälligen Entdeckungen, und sein Forschungs- und Entwicklungsprozess dauert normalerweise 10–20 Jahre.
Datengesteuerte Methoden basierend auf maschinellem Lernen (ML) können das Design neuer Materialien für saubere Energietechnologien beschleunigen. Allerdings ist seine praktische Anwendung in der Materialforschung aufgrund des Mangels an umfangreichen experimentellen Datenbanken mit hoher Wiedergabetreue noch begrenzt.
Kürzlich hat das Forschungsteam des Pacific Northwest National Laboratory und des Argonne National Laboratory in den Vereinigten Staaten einen hochautomatisierten Arbeitsablauf entwickelt, der eine Hochdurchsatz-Experimentalplattform mit dem fortschrittlichsten aktiven Lernalgorithmus kombiniert, um Anoden effektiv zu screenen. Der Elektrolyt ist ein Binärsystem organisches Lösungsmittel mit optimaler Löslichkeit.
Ziel dieser Forschung ist es, die Leistung und Stabilität von Energiespeichersystemen zu verbessern, um den breiten Einsatz erneuerbarer Energien zu fördern. Traditionell erfordert die Forschung mit Anolyten in der Regel viele Versuch-und-Irrtum-Experimente, was zeit- und arbeitsintensiv ist. Und mithilfe dieses automatisierten Workflows können Forscher geeignete Binärdateien schneller aussortieren.
Zusätzlich zu einem effizienten Workflow zur Entwicklung leistungsstarker Redox-Flow-Batterien bietet diese durch maschinelles Lernen gesteuerte Roboterplattform mit hohem Durchsatz einen leistungsstarken und vielseitigen Ansatz die Entdeckung funktioneller Materialien beschleunigen.
Der Gutachter kommentierte: „Diese Studie zeigt, dass eine KI-gesteuerte Roboterplattform effektiv nicht-intuitive Kombinationen von Lösungsmitteln und Elektrolyten in Energieanwendungen finden kann. Diese Arbeit hat wichtige Implikationen für die Batteriegemeinschaft
Die Studie trägt den Titel „ „Eine integrierte Hochdurchsatz-Roboterplattform und ein aktiver Lernansatz zur beschleunigten Entdeckung optimaler Elektrolytformulierungen“ wurde am 29. März 2024 auf „Nature Communications“ veröffentlicht.
Link zum Papier: https://www.nature.com/articles/s41467-024-47070-5
Um die Entwicklung sauberer Energietechnologieanwendungen sicherzustellen und eine tiefgreifende Dekarbonisierung der Elektrizität zu erreichen, ist es von entscheidender Bedeutung , die Designmaterialien mit gezielten funktionalen Eigenschaften für Werkzeuge sind entscheidend für die Entwicklung sauberer Energietechnologieanwendungen und die Erreichung einer umfassenden Dekarbonisierung der Elektrizität. Herkömmliche Trial-and-Error-Methoden sind teuer und zeitaufwändig, daher sind Entwurfstools von Natur aus teuer und zeitsparend.
Die Löslichkeit redoxaktiver Moleküle ist ein wichtiger Faktor bei der Bestimmung der Energiedichte von Redox-Flow-Batterien (RFB). Die Entdeckung von Elektrolytmaterialien ist jedoch durch das Fehlen experimenteller Löslichkeitsdatensätze begrenzt, die für die Nutzung datengesteuerter Ansätze von entscheidender Bedeutung sind.
Dennoch bleibt die Entwicklung hochlöslicher redoxaktiver organischer Moleküle (ROMs) für nichtwässrige RFBs (NRFBs) aufgrund der fehlenden Standardisierung organischer Lösungsmittelsysteme und anwendungsrelevanter experimenteller Löslichkeitsdaten eine schwierige Aufgabe.
Durch die Nutzung der Plattform für automatisierte Hochdurchsatzexperimente (HTE) können die Zuverlässigkeit und Effizienz der Methode zur Messung der Löslichkeit „überschüssiger gelöster Stoffe“ verbessert und die Löslichkeitsdatenbank von NRFB erstellt werden. Doch selbst bei HTE-Systemen macht die Vielfalt möglicher Lösungsmittelmischungen den Screening-Prozess zeitaufwändiger und teurer.
Aktives Lernen (AL) und insbesondere die Bayes'sche Optimierung (BO) haben sich als zuverlässige Methode erwiesen, um die Suche nach Elektrolyten zu beschleunigen, die für Energiespeicheranwendungen benötigt werden. Daher kann ein von BO geleiteter experimenteller Arbeitsablauf mit geschlossenem Regelkreis verwendet werden, um die HTE-Ausführung zu minimieren.
ML-gesteuerte experimentelle Roboterplattform mit hohem Durchsatz
Hier verwenden Forscher 2,1,3-Benzothiadiazol (BTZ), einen Hochleistungsanolyten mit einem hohen Grad an delokalisierter Ladungsdichte und guter chemischer Stabilität ein Modell-ROM. Der Schwerpunkt liegt auf der Untersuchung seiner Löslichkeit in verschiedenen organischen Lösungsmitteln, um das Potenzial einer durch maschinelles Lernen gesteuerten Roboterplattform für Hochdurchsatzexperimente (HTE) zur Beschleunigung der Entdeckung von NRFB-Elektrolyten zu demonstrieren.
Abbildung: Schematische Darstellung des Elektrolyt-Screening-Prozesses mit geschlossenem Kreislauf basierend auf einer durch maschinelles Lernen (ML) gesteuerten Hochdurchsatz-Versuchsplattform. (Quelle: Papier)
Konkret entwarfen die Forscher einen Lösungsmittel-Screening-Workflow mit geschlossenem Kreislauf, der aus zwei miteinander verbundenen Modulen besteht, nämlich HTE und BO. Das HTE-Modul führt Probenvorbereitung und Löslichkeitsmessungen über eine Roboterplattform mit hohem Durchsatz durch. Die BO-Komponente besteht aus einem Ersatzmodell und einer Erfassungsfunktion, die zusammen als Orakel fungieren, Löslichkeitsvorhersagen treffen und neue Lösungsmittel zur Bewertung vorschlagen.
Der Arbeitsablauf ist in der Abbildung unten dargestellt, die spezifischen Schritte sind:
- Bereiten Sie zunächst die gesättigte ROM-Lösung vor und analysieren Sie die Probe über die HTE-Plattform. Als nächstes wurden Kernspinresonanzspektren (NMR) dieser Proben aufgenommen und die Spektraldaten zur Berechnung der Löslichkeit von ROM verwendet.
- Dieser Datensatz wird dann verwendet, um ein Ersatzmodell zu trainieren, das im Rahmen des BO-Prozesses zur Vorhersage der Löslichkeit ungetesteter Proben innerhalb des Suchraums verwendet wird.
- Die Erfassungsfunktion wird dann innerhalb des BO-Frameworks angewendet, um die Auswahl neuer Proben zu steuern und die Bewertung auf der Grundlage eines Gleichgewichts aus vorhergesagten Löslichkeitswerten und damit verbundenen Unsicherheiten (d. h. Fitness-Scores) zu leiten, wodurch die Entdeckung und Analyse des Potenzials vereinfacht wird Lösungsmittel.
Mehr als 13-mal schneller als die manuelle Probenverarbeitung
Die automatisierte Plattform kann mit minimalem manuellen Eingriff gesättigte Lösungen mit gelösten Stoffüberschüssen und quantitative Kernspinresonanzproben (qNMR) vorbereiten.
Mit dem automatisierten HTE-Workflow betrug die gesamte experimentelle Zeit zur Durchführung der Löslichkeitsmessungen von 42 Proben etwa 27 Stunden (~39 Minuten/Probe, weniger Zeit pro Probe, wenn mehr Proben durchgeführt werden). Dies ist mehr als 13-mal schneller als die manuelle Probenverarbeitung mit der Methode „überschüssiger gelöster Stoff“ (ca. 525 Minuten pro Probe).
Neben der durch das HTE-System bereitgestellten Geschwindigkeitssteigerung legte die Forschung auch großen Wert auf die Kontrolle der Versuchsbedingungen wie Temperatur (20 °C) und Stabilisierungszeit (8 Stunden), um eine genaue Messung der BTZ-Löslichkeit in verschiedenen zu gewährleisten organische Lösungsmittel.
Abbildung: Übersicht über die Plattform für automatisierte Hochdurchsatzexperimente (HTE). (Quelle: Papier)
Basierend auf einer Literaturrecherche und der Betrachtung der Lösungsmitteleigenschaften listeten die Forscher 22 potenzielle Lösungsmittelkandidaten für BTZ auf. Anschließend wurden weitere 2079 binäre Lösungsmittel gezählt, indem diese 22 einzelnen Lösungsmittel paarweise mit jeweils 9 verschiedenen Volumenanteilen kombiniert wurden.
Tabelle: Liste der 22 möglichen organischen Lösungsmittel und ihrer physikalischen und chemischen Eigenschaften. (Quelle: Papier)
Die Plattform identifizierte mehrere Lösungsmittel aus einer umfassenden Bibliothek von mehr als 2000 potenziellen Lösungsmitteln mit einer Löslichkeitsschwelle, die das redoxaktive Prototypmolekül 2,1,3-Benzothiadiazol 6,20 M übersteigt. Insbesondere erforderte die umfassende Strategie eine Löslichkeitsbewertung für weniger als 10 % der Arzneimittelkandidaten, was die Effizienz des neuen Ansatzes unterstreicht.
Abbildung: Identifizierung benötigter Elektrolyte mittels Bayes'scher Optimierung (BO). (Quelle: Paper)
Forschungsergebnisse zeigen auch, dass binäre Lösungsmittelmischungen, insbesondere solche, die 1,4-Dioxan (1,4-Dioxan) enthalten, zur Verbesserung der Löslichkeit von BTZ beitragen.
Zusammenfassend demonstriert die Studie eine ML-gesteuerte HTE-Plattform für das Elektrolyt-Screening, bei der ML-Vorhersagen und automatisierte Experimente zusammenarbeiten, um binäre organische Lösungsmittel mit optimaler Löslichkeit für BTZ effektiv zu screenen.
Diese Forschung trägt nicht nur dazu bei, die Bereiche Datenwissenschaft und traditionelle experimentelle Wissenschaft zu verbinden, sondern legt auch den Grundstein für die zukünftige Entwicklung einer autonomen Plattform, die sich dem Batterieelektrolyt-Screening widmet.
Das obige ist der detaillierte Inhalt vonMehr als 13-mal schneller als manuelle Arbeit entdeckt „Roboter + KI' den besten Elektrolyten für Batterien und beschleunigt die Materialforschung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
