Maschinelles Lernen beschleunigt die Suche nach sichereren und besseren Batterien

Schnellere und kostengünstigere Entwicklung neuer Festkörperelektrolytmaterialien

04.06.2024

Symbolbild

Computer-generated image

Mit der umweltfreundlichen Energiewende und der zunehmenden Verbreitung von Elektrofahrzeugen und Energiespeichern für ein Stromnetz, das immer stärker von variablen erneuerbaren Energiequellen wie Wind und Sonne abhängig ist, wächst auch die Gefahr von Batteriebränden. Um dieses Risiko zu begrenzen und gleichzeitig die Batterieleistung zu verbessern, wird die nächste Generation von Batterien wahrscheinlich von neuen Festkörperelektrolyten abhängen, aber die Forschung wird durch die schiere Menge der Materialoptionen und die damit verbundenen Parameter behindert.

Das maschinelle Lernen kommt jedoch zur Rettung. Eine Gruppe von Materialwissenschaftlern hat eine neue, dynamische Datenbank mit Hunderten von Festkörperelektrolyten entwickelt, auf die sie Techniken der künstlichen Intelligenz angewendet haben, die die Forschung bereits in bessere Bahnen lenken.

Ein Artikel, der ihren Ansatz beschreibt, wurde am 10. September 2023 in der Zeitschrift Nano Materials Science veröffentlicht.

Forscher können jetzt mit maschinellem Lernen die Lebensdauer von Batterien vorhersagen

Technik könnte Kosten der Batterieentwicklung senken

News lesen

Organische Lösungsmittel werden in vielen wiederaufladbaren Batterien als Elektrolyte verwendet, d. h. als Substanzen, die die Bewegung von geladenen Teilchen oder Ionen zwischen der positiven und der negativen Elektrode erleichtern (in der Regel Flüssigkeiten oder Gele). Diese Art von Lösungsmittel bietet eine gute Leitfähigkeit und ermöglicht den effizienten Transport von Ionen zwischen den Elektroden, aber eine Reihe von Sicherheits- und Leistungsbedenken haben dazu geführt, dass Batterieforscher seit langem auf der Suche nach alternativen Elektrolytmaterialien sind.

Vor allem organische Lösungsmittel sind brennbar und können zu thermischen Durchschlagreaktionen führen, die Brände oder Explosionen verursachen. Außerdem neigen organische Lösungsmittel zu chemischer Zersetzung, was zur Bildung von Gasen und zur Zersetzung des Elektrolyten im Laufe der Zeit führen kann, was die Leistung und Lebensdauer der Batterie verringert. Darüber hinaus ist der Spannungsbereich, in dem die Batterie betrieben werden kann, manchmal begrenzt.

Eine Alternative sind Festkörperbatterien (ASSB), bei denen das herkömmliche flüssige oder gelartige organische Lösungsmittel durch einen festen Elektrolyten ersetzt wird, wodurch das Problem des Auslaufens und damit der Explosion beseitigt wird. Diese Festkörperelektrolyte bieten nicht nur mehr Sicherheit, sondern auch eine höhere Energiedichte und - potenziell - kürzere Ladezeiten.

Die Suche nach Festkörperelektrolyten (SSE) mit hoher Ionenleitfähigkeit - also der Fähigkeit der Ionen, sich durch die Batterie zu bewegen und Strom zu erzeugen - war jedoch mit zahlreichen Herausforderungen verbunden, vor allem aufgrund ihrer komplexen Strukturen und der Beziehung zwischen diesen Strukturen und der Leistung. Bisher wurden nur SSEs mit langsamer Ionenwanderung identifiziert. Ohne leistungsstarke SSEs wurde die Entwicklung von ASSBs stark behindert.

"Erschwerend kommt hinzu, dass die Auswahl an SSEs so groß ist", sagt Hao Li, Materialwissenschaftler am Advanced Institute for Materials Research der Tohoku University und korrespondierender Autor der Studie. "Es gibt Hunderte von Möglichkeiten, und es ist eine echte Herausforderung für die Forscher, eine solche Menge von Optionen zu bewältigen und dabei die vielen verschiedenen Parameter für eine optimale Leistung im Auge zu behalten."

Daher entwickelte das Team eine experimentelle dynamische Datenbank, die Dynamic Database of Solid-State Electrolyte (DDSE), die anfänglich über 600 potenzielle Festkörperelektrolytmaterialien enthielt, die einen breiten Bereich von Betriebstemperaturen abdeckten und verschiedene Kationen und Anionen (positive und negative Ionen) umfassten, um die Beziehungen zwischen den verschiedenen Variablen zu untersuchen.

Eine dynamische Datenbank ist ein Datenbanktyp, der so konzipiert ist, dass er leicht aktualisiert und häufig geändert werden kann, so dass Änderungen und Ergänzungen der enthaltenen Daten in Echtzeit möglich sind. Diese Art von Datenbank wird häufig in Situationen verwendet, in denen sich die Informationen ständig weiterentwickeln. In diesem Fall wird die DDSE kontinuierlich mit neuen Versuchsdaten aktualisiert. Die Datenbank wird wöchentlich aktualisiert und enthielt im Januar 2024 über 1000 Materialien.

Die Forscher wendeten dann maschinelles Lernen auf die DDSE an, um die Grenzen der menschlichen Analyse und den außerordentlichen Rechenaufwand der theoretischen Berechnungen zu überwinden. Ohne maschinelles Lernen hatten die Forscher Schwierigkeiten, das große atomare System der SSE sowie die Komplexität der beteiligten chemischen Reaktionen rechnerisch zu bewältigen.

Durch den Einsatz von maschinellem Lernen können Forscher bessere Vorhersagen über neuartige Festkörperelektrolytmaterialien machen, und zwar mit viel geringerem Rechenaufwand (und finanziellen Mitteln) und mit minimalem Zeitverlust im Vergleich zu früheren Versuchen, SSEs zu entwerfen, die auf Versuch und Irrtum beruhen.

Auf diese Weise haben sie begonnen, die komplizierten Beziehungen zwischen mehreren verschiedenen Variablen, einschließlich Ionentransport, Zusammensetzung, Aktivierungsenergie (die Menge an Energie, die erforderlich ist, um eine chemische Reaktion in Gang zu setzen) und Leitfähigkeit, herauszuarbeiten, was die Entwicklung einer neuen Reihe von Leitlinien für die Entwicklung von SSEs ermöglicht. Die Forscher haben bereits die Entwicklungs- und Leistungstrends von SSEs in verschiedenen Materialklassen sowie Leistungsengpässe für jede Klasse von SSEs ermittelt.

Die DDSE wurde außerdem mit einer benutzerfreundlichen Schnittstelle versehen, damit auch andere Batterie- und Materialwissenschaftler über das ursprüngliche Team hinaus die Möglichkeit haben, sie zu aktualisieren und selbst zu nutzen.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

A dynamic database of solid-state electrolyte (DDSE) picturing all-solid-state batteries; Fangling Yang, Egon Campos dos Santos*, Xue Jia, Ryuhei Sato, Kazuaki Kisu, Yusuke Hashimoto, Shin-ichi Orimo, Hao Li; Nano Materials Science

https://www.chemie.de/news/1183609/maschinelles-lernen-beschleunigt-die-suche-nach-sichereren-und-besseren-batterien.html