Las baterías son más cruciales que nunca, ya que impulsan los automóviles, alimentan nuestra miríada de dispositivos e incluso permiten que vuelen algunos aviones experimentales. Pero la tecnología de baterías tiene un largo camino por recorrer antes de que veamos una adopción más generalizada de vehículos eléctricos, una vida útil de la batería de las computadoras portátiles de meses y vuelos más largos en aviones eléctricos. Es por eso que los ingenieros e investigadores de todo el mundo buscan constantemente la próxima gran innovación en baterías.
Según un artículo publicado recientemente en Comunicaciones de la naturaleza, investigadores de Carnegie Mellon han utilizado un sistema combinado de robótica e inteligencia artificial para diseñar mejores electrolitos para baterías de iones de litio. En particular, el equipo estaba buscando electrolitos que permitieran que las baterías se cargaran más rápido, lo cual es uno de los mayores problemas en la tecnología de baterías en la actualidad y una barrera importante para la adopción generalizada de vehículos eléctricos
Las baterías de iones de litio tienen un cátodo y un ánodo rodeados por un electrolito. Cuando están cargados, los iones migran a través del electrolito desde el cátodo al ánodo (y viceversa cuando se descargan). La composición exacta del electrolito determina qué tan rápido se carga, descarga y funciona una batería. Por lo tanto, optimizar la solución de electrolitos es uno de los desafíos clave para los diseñadores de baterías.
El equipo de investigación usó una disposición automatizada de bombas, válvulas, recipientes y otros equipos de laboratorio que llamaron “Clio” para mezclar diferentes proporciones de tres solventes potenciales y una sal. Como señala el documento, “las innovaciones en baterías pueden tardar años en entregarse” en parte porque hay tantos productos químicos potenciales que se pueden usar en varias proporciones que optimizarlos es “lento y laborioso”, al menos para las personas. Pero con sus diversas partes automatizadas, Clio pudo ejecutar experimentos significativamente más rápido.
[Related: Why Dyson is going all-in on solid-state batteries]
Para eliminar aún más el elemento humano, los resultados de Clio se incorporaron a un sistema de aprendizaje automático denominado “Libélula” que analizó los datos para buscar patrones y proponer proporciones alternativas que podrían funcionar mejor. Luego, Clio ejecutó automáticamente esos nuevos experimentos propuestos, lo que permitió a Dragonfly optimizar aún más las recetas químicas.
En total, trabajando con solo una sal y tres solv entes, Clio y Dragonfly pudieron realizar 42 experimentos durante dos días y generar seis soluciones que superaron a una solución de electrolito existente hecha con los mismos cuatro químicos. La mejor celda de prueba que contenía uno de los electrolitos desarrollados por robot-IA mostró una mejora del 13 por ciento en el rendimiento en comparación con la celda de prueba de mejor rendimiento que usa el electrolito disponible comercialmente.
En una entrevista con Revisión de tecnología del MITVenkat Viswanathan, profesor asociado en Carnegie Mellon y uno de los coautores del Comunicaciones de la naturaleza paper, explicó que el problema de trabajar con ingredientes de electrolitos es que se pueden combinar “de miles de millones de maneras”. Hasta ahora, la mayoría de las investigaciones se basaban en conjeturas, intuición y prueba y error. Al estar libres de sesgos y ser capaces de recorrer rápidamente las condiciones experimentales, Clio y Dragonfly pueden probar muchas más opciones que los investigadores humanos, ya sean mejoras menores o soluciones increíbles, y no se ven obstaculizados por nociones preconcebidas. Luego pueden tomar lo que aprenden de cada experimento y modificar las cosas para encontrar electrolitos óptimos para lo que necesite el equipo de investigadores.
En este caso, Clio y Dragonfly estaban optimizando la velocidad de recarga, pero experimentos similares de “bucle cerrado” podrían optimizar la capacidad, el tiempo de descarga, el voltaje y todos los demás factores que importan en el rendimiento de las baterías comerciales. De hecho, el equipo cree que su trabajo “será útil más allá de la comunidad de baterías”, afirmando que su “plataforma robótica diseñada a medida, la planificación de experimentos y la integración con las pruebas de dispositivos serán valiosas para optimizar otras plataformas de descubrimiento autónomo para aplicaciones de energía y materiales”. la ciencia en general.”
El equipo de Carnegie Mellon no es el único que explora cómo el aprendizaje automático puede optimizar las numerosas consideraciones de diseño y las variables complejas que intervienen en la fabricación, el mantenimiento y la carga de las baterías. A fines del mes pasado, un equipo de investigadores gubernamentales del Laboratorio Nacional de Idaho, administrado por el Departamento de Energía, anunció que habían encontrado una manera segura y confiable de recargar vehículos eléctricos. hasta un 90 por ciento en solo 10 minutos. Utilizaron un algoritmo de aprendizaje automático para analizar entre 20 000 y 30 000 puntos de datos de diferentes tipos de baterías de iones de litio para encontrar el método de recarga más eficiente y seguro. Luego pudieron confirmar sus resultados probando los protocolos de recarga recientemente desarrollados en baterías reales.
Y si bien los electrolitos líquidos son una frontera para la investigación de baterías, otra implica explorar formas de reemplazar ese líquido con un sólido.