Исследователи Массачусетского технологического института (MIT) разработали метод на основе машинного обучения для проектирования более эффективных электролитов для натрий-металлических батарей. Эта работа может сделать недорогую технологию хранения энергии более жизнеспособной для крупномасштабного применения.
Исследование направлено на решение ключевой проблемы: высокая химическая активность натрий-металлических батарей, которая влияет на их стабильность и способность к быстрой зарядке. Используя искусственный интеллект в сочетании с экспериментальными испытаниями, учёные выявили перспективные составы электролитов, которые позволят использовать распространённый натрий вместо дефицитных материалов — лития, кобальта и никеля.
Проблема электролита
Электролит является одним из трёх ключевых компонентов батареи наряду с анодом и катодом. Он переносит заряженные ионы натрия между электродами во время зарядки и разрядки. Однако обычные электролиты часто вступают в реакцию с электродами, вызывая нежелательные химические процессы, которые образуют изолирующие побочные продукты, блокируют движение ионов и сокращают срок службы батареи.
Исследователи MIT поставили задачу создать электролиты, которые остаются химически стабильными и при этом обеспечивают быстрый перенос ионов. Достижение обоих свойств одновременно долгое время было сложной задачей, поскольку повышение проводимости обычно достигается за счёт долгосрочной стабильности.
Роль размера молекул
Команда опиралась на более раннее открытие, связанное с растворителем на основе сульфонамида под названием DMTMSA, который показал исключительную химическую стабильность в литий-металлических батареях. Учёные предположили, что более мелкие молекулы со схожей химической структурой могут обеспечить ту же стабильность, позволяя ионам натрия двигаться быстрее через электролит.
Размер растворителя играет ключевую роль в подвижности ионов: более мелкие молекулы образуют более компактные оболочки вокруг ионов натрия, снижая сопротивление при их перемещении между электродами. Более быстрый перенос ионов означает более быструю зарядку, более высокую выходную мощность и улучшенные общие характеристики батареи.
ИИ-конвейер для поиска кандидатов
Для ускорения поиска команда разработала конвейер молекулярного проектирования на основе машинного обучения. В течение 24 часов система сгенерировала примерно 100 000 молекул-кандидатов. Они были отобраны с помощью вычислительного скрининга на основе структурного сходства с DMTMSA, электронных характеристик и других химических свойств, после чего список сократили до 200 перспективных кандидатов.
Из этого пула исследователи выбрали 27 репрезентативных молекул для лабораторной оценки в идентичных условиях тестирования. Эксперименты выявили лучшего кандидата — компактный растворитель DMFSA. Эта молекула сочетала наименьший молекулярный размер среди кандидатов с превосходными электрохимическими характеристиками, обеспечивая как быстрый перенос ионов натрия, так и высокую устойчивость к деградации на электродах.
Перспективы применения
Новый подход сочетает машинное обучение с принципами молекулярного проектирования вместо традиционного метода проб и ошибок. ИИ-конвейер быстро генерирует, фильтрует и расставляет приоритеты среди перспективных кандидатов для экспериментальной проверки, что значительно сокращает время разработки.
Исследователи уже запустили следующий этап проекта, используя DMFSA в качестве новой отправной точки для поиска ещё более мелких и эффективных молекул растворителя. Помимо натрий-металлических батарей, команда считает, что разработанная схема может быть применена к широкому спектру перспективных батарейных технологий — от электромобилей до систем хранения энергии для электросетей.
«Поскольку эта концепция широко применима, её влияние может выйти далеко за пределы натриевых батарей и повлиять на проектирование широкого спектра будущих технологий хранения энергии», — отметил Джинхюк Ли, адъюнкт-профессор материаловедения Университета Макгилла.
