大約在2022年初，卡內基梅隆大學的研究人員使用一個機器人系統(tǒng)進行了數(shù)十項實驗。這些實驗旨在找到能夠使鋰離子電池更快充電的電解質溶液，試圖解決阻止電動車廣泛采用的主要障礙之一。
這套名為Clio的系統(tǒng)包括自動泵、閥門和儀器系統(tǒng)，可以將各種溶劑、鹽和其他化學品混合在一起，然后測量該解決方案在關鍵電池基準上的表現(xiàn)。這些結果會被輸入到名為蜻蜓（Dragonfly）的機器學習系統(tǒng)中，該系統(tǒng)使用這些數(shù)據(jù)產生可能效果更好的不同化學組合。
根據(jù)Nature Communications上的一篇論文，當卡內基研究人員將它們放入測試用小型電池時，該系統(tǒng)最終產生了六種電解質溶液，性能均優(yōu)于標準溶液。最優(yōu)秀的溶液比性能最佳的基準電池提高了13%。
開發(fā)更好的電解質對于提高電池的性能和安全性，以及降低其成本至關重要。更快的充電電池可以讓電動汽車和卡車更具吸引力，因為這可以縮短在充電站耽誤的時間。
近年來，研究實驗室越來越多地將自動化系統(tǒng)與機器學習軟件相結合，機器學習軟件可以通過識別數(shù)據(jù)模式以改進特定任務，進而開發(fā)出非常適合特定應用的材料。
科學家們已經利用這些方法來尋找用于固態(tài)電解質、太陽能光伏電池和電化學催化劑的有潛力的材料。也出現(xiàn)了幾家初創(chuàng)公司將這種方法商業(yè)化，包括Chemify和Aionics。
艾倫·阿斯普魯·古齊克（Alán Aspuru-Guzik）正在使用人工智能、機器人，甚至是量子計算來創(chuàng)造我們應對氣候變化所需的新材料。
從歷史上看，從事新材料發(fā)現(xiàn)的研究人員會通過理智的猜測和推測，以及試錯一些組合來設計和測試不同的材料選項。但考慮到大量可能的物質和組合的存在，這是一個困難且耗時的過程。許多研究人員會無意間走上錯誤的道路。
就電解質成分而言，“你可以通過數(shù)十億種方式混合和匹配它們，”卡內基梅隆大學副教授、自然通訊論文的合著者、Aionics的聯(lián)合創(chuàng)始人兼首席科學家文卡特·維斯瓦納坦（Venkat Viswanathan）說。他與其他卡內基大學的研究人員合作，探索機器人技術和機器學習如何提供幫助。
像Clio和Dragonfly這樣的系統(tǒng)的優(yōu)勢是，它能夠以非?？斓乃俣裙ぷ鳎€能比人類研究員探索更廣泛的組合可能性，最后以系統(tǒng)的方式應用它所學到的東西。
文卡特說，Dragonfly沒有被輸入有關化學或電池的信息，因此除了研究人員選擇第一種混合物這一事實之外，它的建議并沒有帶有太大的偏見。從第一種混合物開始，它嘗試了各種各樣的組合，從最初的輕微改進，到完全意想不到的建議，它逐漸可以混合多種成分并根據(jù)制定好的目標提供表現(xiàn)越來越好的結果。
就電池實驗而言，卡內基梅隆大學團隊正在尋找一種能夠加速電池充電效率的電解質。電解質溶液可以幫助離子在兩個電極之間穿梭。在放電過程中，鋰離子在被稱為陽極的負極產生，并通過溶液流向正極，即陰極，在那里它們獲得電子。在充電期間，該過程正相反。
Clio測量并試圖優(yōu)化的關鍵指標之一是“離子電導率”，即離子流過溶液的難易程度，它直接影響電池充電的速度。
但商業(yè)電解質面臨的另一個挑戰(zhàn)是，它們必須在包括總生命周期、功率輸出和安全性在內的各個方面表現(xiàn)良好，而一個方面的改進往往會以其他方面為代價。
在接下來的工作中，卡內基梅隆大學的研究人員希望加速機器人實驗，改進機器學習工具，并且運行具有多個性能目標的實驗，而不是單一的性能目標。
研究人員最大的希望是自動化和機器學習可以加速下一組突破性材料的發(fā)現(xiàn)，在加速降低全球碳排放的同時，幫助提供更好的電池和更高效的光伏發(fā)電。
支持：Ren
原文：
https://www.technologyreview.com/2022/09/27/1060087/how-robots-and-ai-are-helping-develop-better-batteries/
