Al utilizar el aprendizaje activo, los científicos encuentran más rápidamente candidatos adecuados para baterías de flujo redox.

Cuando llega el momento de diseñar una nueva química de batería, los científicos solo pueden probar un puñado de posibilidades experimentalmente, ya que se necesita tiempo y recursos para sintetizar e investigar cada nueva molécula. Al realizar simulaciones moleculares confiables utilizando supercomputadoras, los investigadores pueden acelerar el proceso de selección de materiales deseados y ampliar la amplitud de su búsqueda, mientras se obtiene información detallada sobre las posibilidades inherentes a las diferentes químicas.

Sin embargo, incluso las simulaciones de alto rendimiento ejecutadas en estas supercomputadoras solo pueden observar una fracción de las posibles químicas viables que existen para ciertos tipos de baterías. En un nuevo estudio del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), Los investigadores están dando el siguiente paso para acelerar la búsqueda de los mejores componentes de batería posibles mediante el empleo de inteligencia artificial.

El equipo de estudio, dirigido por el químico de Argonne Rajeev Surendran Assary, investigó el funcionamiento interno de las baterías de flujo redox, en el que la energía química se almacena en moléculas disueltas que interactúan con los electrodos. Las baterías de flujo son prometedoras para aplicaciones en la red eléctrica. Reemplazan cátodos y ánodos sólidos con soluciones líquidas infundidas con moléculas que almacenan y liberan energía. Las baterías de flujo convencionales se basan en moléculas que tienen un elemento de almacenamiento de carga por molécula, con una versatilidad limitada. Investigadores del Centro Conjunto para la Investigación del Almacenamiento de Energía (JCESR), un Centro de Innovación Energética del DOE dirigido por Argonne, introdujo el concepto de almacenar y liberar energía con materiales llamados "polímeros activos redox, "o redoxmers, que se basan en moléculas más grandes, cada uno con decenas de elementos de almacenamiento de carga.

En comparación con los sistemas convencionales, Los redoxmers permiten una flexibilidad mucho mayor para personalizar de forma independiente muchos aspectos de las características y el rendimiento de la batería. Las baterías de flujo Redoxmer abren una nueva puerta al diseño de baterías de flujo porque pueden proporcionar una alta funcionalidad a bajo costo, con poco daño al medio ambiente. Las baterías de flujo redoxmer de JCESR tienen el potencial de transformar la forma en que pensamos y usamos las baterías de flujo para la red.

En el caso de los redoxmers en estudio, Assary y sus colegas notaron que, a medida que la batería se carga y descarga, tienden a formar una película inactiva. Para prevenir este fenómeno, el equipo de Argonne buscó diseñar un redoxmer que pudiera escindirse eléctricamente a un voltaje particular, liberándolo para volver a entrar en la solución de electrolito.

"Puedes pensar en ello como limpiar una sartén en la que cocinas, "dijo el investigador postdoctoral de Argonne Hieu Doan, otro autor del estudio. "Para eliminar los residuos de alimentos pegajosos con mayor facilidad, puede usar fuego alto, y eso es lo que estamos haciendo con la electricidad ".

Los investigadores querían que el voltaje de corte estuviera justo fuera de la ventana de funcionamiento normal de la batería, para que no interfiera con el rendimiento, pero tampoco requeriría mucha energía adicional.

Para encontrar un redoxmer que se parta al voltaje apropiado, Assary y el equipo recurrieron a la supercomputadora Bebop de Argonne en el Laboratorio de recursos informáticos. Primero, los investigadores ejecutaron un conjunto de 1, 400 redoxmeros diferentes que utilizan cálculos de la teoría funcional de la densidad (DFT), que son muy precisos pero computacionalmente costosos. Sin embargo, estos 1, 400 redoxmers representaban solo una pequeña porción del espacio químico total en el que estaban interesados ​​los investigadores.

"Experimentalmente, puede llevar meses sintetizar y probar una docena de estos redoxmers, por lo que poder estudiar en detalle más de mil redoxmers en la computadora es esencial, "Dijo Assary.

Cada uno de estos redoxmeros consta de un andamio molecular en el que se colocan una variedad de diferentes grupos funcionales químicos, que son átomos o moléculas adicionales. "El andamio fue diseñado en base a sugerencias de nuestros colaboradores experimentales, "Dijo Doan. Si bien el andamio es consistente entre los redoxmers, la variación de los grupos funcionales da propiedades diferentes.

Para encontrar las moléculas ideales de un conjunto de datos más grande que consta de más de 100, 000 redoxmers sin ejecutar cálculos extensos de DFT, los investigadores utilizaron una técnica de aprendizaje automático llamada aprendizaje activo. Este conjunto de datos más grande incluía redoxmers que eran estructuralmente similares a los del conjunto de datos DFT original de 1, 400 moléculas, en la medida en que ambos conjuntos de moléculas usaban el mismo andamio. Sin embargo, debido a las diferentes formas en que se poblaron los grupos funcionales, las propiedades divergieron.

"La cantidad de aprendizaje que puede hacer en el aprendizaje automático está limitada por su conjunto de datos de entrenamiento, "Assary dijo." Solo puedes saber lo que has visto, y si tienes algo diferente sobre lo que intentas hacer predicciones, puede que no sea eficaz ".

En lugar de entrenar sobre la totalidad de los datos, Assary y sus colegas entrenaron el modelo en solo un puñado de diferentes posibilidades de redox. Según Doan, después de entrenar el modelo con 10 puntos de datos, el modelo elige el undécimo punto de datos por sí solo del grupo de datos restante.

"El modelo garantiza que al agregar este nuevo punto de datos al conjunto de entrenamiento, se volverá mejor, y luego podemos entrenarlo de nuevo, "Dijo Doan." Todo lo que maximice la precisión del modelo, ese será el próximo punto de datos a elegir ".

Assary dijo que para identificar 30 moléculas con las propiedades deseadas a partir de un conjunto de datos inicial de 1, 400, solo tomó 70 selecciones. Con selección aleatoria, solo el 9 por ciento de las selecciones hubieran tenido éxito, lo que representa una mejora quíntuple.

"Una mejora tan sustancial en un espacio químico tan grande es notable, Assary dijo. De hecho, cuando se aplicó el mismo enfoque a los 100, 000+ conjunto de datos, encontró con éxito 42 moléculas deseadas en 100 selecciones.

Un artículo basado en el estudio, "Aprendizaje activo basado en la química cuántica para acelerar el diseño y descubrimiento de materiales de almacenamiento de energía sostenible, "se publicó en la edición del 28 de mayo de Química de Materiales .