盖世汽车讯 发现新型、高效的电解质是设计用于电动汽车、手机、笔记本电脑和电网规模储能的下一代电池的主要瓶颈之一。最稳定的电解质并不总是导电性最好的，而最高效的电池也并不总是最稳定的。

图片来源： 期刊《Chemistry of Materials》

“电极必须同时满足截然不同的特性。它们总是相互冲突，”芝加哥大学普利兹克分子工程学院（UChicago PME）Amanchukwu实验室的Eric and Wendy Schimdt AI in Science博士后研究员Ritesh Kumar说道。

相关论文发表在期刊《Chemistry of Materials》，该论文将人工智能和机器学习应用于实际工作。该论文概述了一个新框架，用于寻找能够最大化构成理想电池电解质的三个要素——离子电导率、氧化稳定性和库仑效率——的分子。Kumar是该论文的第一作者。

该团队从锂离子电池研究早期的250篇研究论文中收集了数据集，并利用人工智能计算出不同分子的“eScore”。eScore平衡了这三个标准，识别出同时满足所有三个条件的分子。

“在某一特性上表现优异的分子，在另一特性上未必也同样出色，”Kumar的首席研究员、UChicago PME Neubauer Family助理教授Chibueze Amanchukwu说道。

据外媒报道，研究人员利用人工智能识别出一种性能堪比市面上最佳电解质的分子，这对于一个通常依赖反复试验的领域来说是一个重大进步。

“电解质优化是一个缓慢而充满挑战的过程，研究人员经常需要反复试验来平衡多组分混合物中相互竞争的特性，”西北大学（Northwestern University）化学与生物工程助理教授Jeffrey Lopez（未参与这项研究）说道。“这类数据驱动的研究框架对于加速新型电池材料的开发以及利用人工智能科学和实验室自动化方面的进步至关重要。”

电池的音乐

人工智能能够识别出有潜力的候选化合物，供科学家在实验室中进行测试，从而减少在死胡同和错误尝试上浪费的时间、精力和资源。UChicago PME的研究人员已经在利用人工智能帮助开发癌症治疗、免疫疗法、水处理方法、量子材料和其他新技术。

鉴于理论上可以制造电池电解质的分子数量为1060个，也就是说，1后面跟着60个零，能够从数十亿个候选化合物中筛选出潜在候选化合物的技术将为研究人员带来巨大的优势。

Amanchukwu将人工智能在研究中的应用比作在线听音乐。

想象一下，一个人工智能根据特定人的音乐品味进行训练，这些品味是他们个人好歌评分中综合考虑的因素。这项新的电解质研究创造了一个相当于人工智能的模型，它可以逐首歌曲地浏览现有的播放列表，预测用户是否会喜欢它。下一步，人工智能将创建一个它认为用户会喜欢的歌曲播放列表，这是一个微妙但重要的概念调整。

最后一步——也是Amanchukwu实验室人工智能研究的目标——将是一个能够创作音乐的人工智能，或者在这个例子中，设计一个符合所有给定参数的新分子。

平面设计的奇思妙想

该团队从2020年开始手动整理AI的训练数据。

“当前的数据集包含数千种潜在的电解质，这些是从跨越50多年研究的文献中提取出来的，”Kumar说道。他们必须手动输入数据的原因之一并非来自化学，

当研究人员撰写论文并将它们以杂志格式刊登时，团队转化为eScore的数字通常存在于图像中。这些图像是jpeg或.png格式的插图、图表、示意图和其他图形，它们在文本中运行，但并非文本本身的一部分。

大多数使用研究论文进行训练的大型语言模型只是读取文本，这意味着UChicago PME团队在未来一段时间内仍将手动输入训练数据。

“即使是现在的模型，从图像中提取数据也非常困难，”Amanchukwu说道。尽管训练数据海量，但这仅仅是第一步。

“我不想寻找训练数据中已有的分子，”Amanchukwu说道。“我想寻找化学空间截然不同的分子。因此，我们测试了这些模型在遇到从未见过的分子时的预测能力。”

研究团队发现，当一个分子的化学性质与训练数据中的分子相似时，AI能够以高精度预测其作为电解质的性能。但它很难识别不熟悉的材料，这标志着该团队在利用AI设计下一代电池的探索中面临的下一个挑战。