수작업보다 13배 이상 빨라진 '로봇+AI'로 배터리에 가장 적합한 전해질 발굴, 소재 연구 가속화

Editor | Ziluo

전통적인 재료 연구 및 개발 모델은 주로 "시행 착오" 실험 방법이나 우연한 발견에 의존하며 연구 개발 과정은 일반적으로 10~20년이 걸립니다.

머신러닝(ML)을 기반으로 한 데이터 기반 방법은 청정 에너지 기술을 위한 신소재 설계를 가속화할 수 있습니다. 그러나 대규모의 고충실도 실험 데이터베이스가 부족하여 재료 연구에서의 실제 적용은 여전히 ​​제한적입니다.

최근 Pacific Northwest National Laboratory와 미국 Argonne National Laboratory의 연구팀은 처리량이 많은 실험 플랫폼과 가장 진보된 능동 학습 알고리즘을 결합하여 양극을 효과적으로 스크리닝하는 고도로 자동화된 워크플로우를 설계했습니다. 최적의 용해도를 지닌 유기용매입니다. 본 연구의 목표는 에너지 저장 시스템의 성능과 안정성을 향상시켜 재생에너지의 광범위한 적용을 촉진하는 것입니다. 전통적으로 양극액과 관련된 연구에는 일반적으로 많은 시행착오 실험이 필요하며 이는 시간과 노동 집약적입니다. 그리고 이 자동화된 워크플로우를 사용하여 연구자들은 적합한 바이너리를 보다 신속하게 선별할 수 있습니다.

고성능 산화환원 흐름 배터리를 개발하도록 설계된 효율적인 워크플로우 외에도 이 기계 학습 기반 고처리량 로봇 플랫폼은 강력하고 다양한 접근 방식을 제공합니다. 기능성 소재 발굴을 가속화합니다.

검토자는 다음과 같이 말했습니다. "이 연구는 AI 유도 로봇 플랫폼이 에너지 응용 분야에서 용매와 전해질의 비직관적인 조합을 효과적으로 찾을 수 있음을 보여줍니다. 이 작업은 배터리 커뮤니티에 중요한 의미를 갖습니다."

연구 제목은 " "최적 전해질 제형의 가속화된 발견을 위한 통합된 고처리량 로봇 플랫폼 및 능동 학습 접근 방식"이 2024년 3월 29일 "Nature Communications"에 게재되었습니다.

문서 링크: https://www.nature.com/articles/s41467-024-47070-5

청정 에너지 기술 애플리케이션의 개발과 전기의 철저한 탈탄소화 실현을 보장하는 것이 중요합니다. , 도구에 대한 목표 기능적 특성을 갖춘 디자인 재료는 청정 에너지 기술 응용 프로그램을 개발하고 전기의 심층적인 탈탄소화를 달성하는 데 중요합니다. 전통적인 시행착오 방법은 비용과 시간이 많이 소요되므로 설계 도구의 특성상 비용이 많이 들고 시간이 절약됩니다.

레독스 활성 분자의 용해도는 레독스 흐름전지(RFB)의 에너지 밀도를 결정하는 중요한 요소입니다. 그러나 전해질 재료 발견은 데이터 기반 접근 방식을 활용하는 데 중요한 실험적 용해도 데이터 세트가 부족하여 제한됩니다.

그럼에도 불구하고, 비수성 RFB(NRFB)용 가용성이 높은 산화환원 활성 유기 분자(ROM)의 개발은 유기 용매 시스템의 표준화 부족과 응용 관련 실험 용해도 데이터로 인해 여전히 어려운 작업으로 남아 있습니다.

자동화된 HTE(High-Throughput Experiment) 플랫폼을 활용하여 "과잉 용질" 용해도 측정 방법의 신뢰성과 효율성을 향상시키고 NRFB의 용해도 데이터베이스를 구축할 수 있습니다. 그러나 HTE 시스템을 사용하더라도 잠재적인 용매 혼합물의 다양성으로 인해 스크리닝 프로세스에 더 많은 시간과 비용이 소요됩니다.

능동 학습(AL), 특히 베이지안 최적화(BO)는 에너지 저장 응용 분야에 필요한 전해질 검색을 가속화하는 신뢰할 수 있는 방법임이 입증되었습니다. 따라서 BO가 안내하는 폐쇄 루프 실험 워크플로를 사용하여 HTE 실행을 최소화할 수 있습니다.

ML 유도 고처리량 실험 로봇 플랫폼

여기서 연구원들은 높은 수준의 비편재화된 전하 밀도와 우수한 화학적 안정성을 갖춘 고성능 양극액인 2,1,3-벤조티아디아졸(BTZ)을 사용합니다. 모델 ROM. NRFB 전해질 발견을 가속화하기 위한 기계 학습 기반 고처리량 실험(HTE) 로봇 플랫폼의 잠재력을 입증하면서 다양한 유기 용매에서의 용해도를 연구하는 데 중점을 두고 있습니다.

그림: 기계 학습(ML) 기반의 높은 처리량 실험 플랫폼을 기반으로 하는 폐쇄 루프 전해질 스크리닝 프로세스의 개략도. (출처: 논문)

구체적으로 연구원들은 HTE와 BO라는 두 개의 연결된 모듈로 구성된 폐쇄 루프 용매 스크리닝 작업 흐름을 설계했습니다. HTE 모듈은 처리량이 많은 로봇 플랫폼을 통해 시료 준비 및 용해도 측정을 수행합니다. BO 구성 요소는 대리 모델과 획득 기능으로 구성되어 있으며, 이는 함께 오라클 역할을 하여 용해도를 예측하고 평가를 위한 새로운 용매를 제안합니다.

워크플로는 아래 그림에 표시되어 있으며 구체적인 단계는 다음과 같습니다.

• 먼저 ROM의 포화 용액을 준비하고 HTE 플랫폼을 통해 샘플을 분석합니다. 다음으로, 이들 샘플의 핵자기 공명(NMR) 스펙트럼을 획득하고 스펙트럼 데이터를 사용하여 ROM의 용해도를 계산했습니다.
• 이 데이터 세트는 BO 프로세스의 일부로 검색 공간 내에서 테스트되지 않은 샘플의 용해도를 예측하는 데 사용되는 대리 모델을 교육하는 데 사용됩니다.
• 그런 다음 획득 기능은 BO 프레임워크 내에서 적용되어 새로운 샘플 선택을 안내하고, 예측된 용해도 값과 관련 불확실성(예: 적합성 점수)의 균형을 기반으로 평가를 안내하여 잠재력의 발견 및 분석을 단순화합니다. 용매.

수동 시료 처리보다 13배 이상 빠릅니다.

자동 플랫폼은 수동 개입을 최소화하면서 과잉 용질 및 정량 핵자기공명(qNMR) 시료가 포함된 포화 용액을 준비할 수 있습니다.

자동화된 HTE 워크플로를 사용하면 42개 샘플의 용해도 측정을 완료하는 데 소요되는 총 실험 시간은 약 27시간이었습니다(샘플당 최대 39분, 더 많은 샘플을 실행하면 샘플당 시간이 단축됨). 이는 "과잉 용질" 방법을 사용하여 샘플을 수동으로 처리하는 것보다 13배 이상 빠릅니다(샘플당 약 525분).

HTE 시스템이 제공하는 속도 증가 외에도 연구에서는 다양한 환경에서 BTZ 용해도를 정확하게 측정하기 위해 온도(20°C) 및 안정화 시간(8시간)과 같은 실험 조건을 제어하는 ​​데 중점을 두었습니다. 유기 용매.

그림: 자동화된 HTE(고처리량 실험) 플랫폼 개요. (출처: 논문)

문헌 검토와 용매 특성 고려를 바탕으로 연구원들은 BTZ에 대한 22개의 잠재적 후보 용매를 나열했습니다. 그런 다음, 각각 9개의 서로 다른 부피 분율을 갖는 22개의 단일 용매를 쌍으로 결합하여 추가로 2079개의 이원 용매를 추가로 계산했습니다.

표: 22가지 후보 유기 용매 및 해당 물리적, 화학적 특성 목록입니다. (출처: Paper)

이 플랫폼은 프로토타입 산화환원 활성 분자인 2,1,3-벤조티아디아졸 6.20M을 초과하는 용해도 임계값을 갖는 2000개 이상의 잠재적 용매로 구성된 포괄적인 라이브러리에서 여러 용매를 식별했습니다. 특히, 포괄적인 전략에서는 10% 미만의 약물 후보에 대한 용해도 평가가 필요하여 새로운 접근 방식의 효율성이 강조되었습니다.

그림: 베이지안 최적화(BO)를 통해 필요한 전해질 식별. (출처: Paper)

연구 결과에 따르면 이원 용매 혼합물, 특히 1,4-디옥산(1,4-dioxane)이 포함된 혼합물이 BTZ의 용해도를 향상시키는 데 도움이 되는 것으로 나타났습니다.

요약하자면, 이 연구는 ML 예측과 자동화된 실험이 함께 작동하여 BTZ에 대한 최적의 용해도를 갖는 이원 유기 용매를 효과적으로 스크리닝하는 전해질 스크리닝을 위한 ML 기반 HTE 플랫폼을 보여줍니다.

이 연구는 데이터 과학과 전통 실험 과학 분야를 연결하는 데 도움이 될 뿐만 아니라 배터리 전해질 검사 전용 자율 플랫폼의 향후 개발을 위한 기반을 마련합니다.

위 내용은 수작업보다 13배 이상 빨라진 '로봇+AI'로 배터리에 가장 적합한 전해질 발굴, 소재 연구 가속화의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!