p A eletrônica é essencial para a vida cotidiana. Como seriam nossas vidas sem nossos telefones celulares ou computadores? De brinquedos a máquinas de lavar e carros elétricos, a eletrônica continua a preencher nossas rotinas diárias. Muitos desses eletrônicos são alimentados por baterias de íons de lítio de alta densidade de energia. Mas dois fatores nessas baterias podem levar a consequências perigosas. p Primeiro, o eletrólito da bateria, o material que conduz íons entre o cátodo e o ânodo, é tipicamente um líquido, que é inflamável. Segundo, como as baterias são carregadas e descarregadas ao longo do tempo, a deposição irregular de lítio no ânodo pode levar ao crescimento de dendritos que podem conectar o cátodo e o ânodo. Isso pode causar incêndios e explosões devido à inflamabilidade do eletrólito. Tanto os carros da Tesla quanto as aeronaves da Boeing sofreram de problemas de bateria dendrítica, e explosões repentinas de telefones celulares também podem ser atribuídas aos dendritos.

p Este é o problema que Zeeshan Ahmad e Tian Xie estão tentando resolver. Ahmad, um Ph.D. candidato em engenharia mecânica na Carnegie Mellon University, e Xie, um Ph.D. candidato em ciência de materiais e engenharia no Instituto de Tecnologia de Massachusetts, publicou recentemente um artigo sobre sua pesquisa para encontrar possíveis soluções para este problema de dendrito. Eles recorreram ao aprendizado de máquina para gerar e analisar grandes quantidades de dados para encontrar essas soluções.

p Para suprimir o crescimento de dendritos, Ahmad e seus colegas pesquisaram eletrólitos sólidos em potencial, que ao contrário dos eletrólitos líquidos, não são inflamáveis. Eles não apenas decifraram quais propriedades o eletrólito sólido requer, eles também precisavam analisar milhares de possíveis materiais sólidos, o que levaria anos usando métodos experimentais tradicionais.

p "Tínhamos 13, 000 materiais cristalinos inorgânicos para filtrar o eletrólito sólido, "Ahmad disse." Era difícil apenas calcular as propriedades de cada eletrólito sólido separadamente porque é muito caro computacionalmente. Usamos o aprendizado de máquina porque ele pode funcionar em grandes escalas de dados, para descobrir as propriedades dos eletrólitos sólidos. "

p Devido à variedade de disponibilidade de dados, Ahmad e Xie usaram uma variedade de modelos de aprendizado de máquina. Para casos com dados existentes suficientes que podem ser usados ​​para treinar o modelo, eles usaram um modelo de rede neural convolucional em gráfico para prever as propriedades de eletrólitos sólidos cristalinos inorgânicos. Nos casos em que não havia dados de treinamento suficientes, eles usaram regressão linear com regularização, que é mais adequado para problemas de poucos dados.

p "Testamos todos esses materiais quanto aos critérios de projeto ou eletrólitos sólidos, "Disse Ahmad." Nossos eletrólitos sólidos devem suprimir o crescimento de dendritos no ânodo de metal de lítio e ser eletronicamente isolantes. Eles devem ser estáveis ​​- não devem se decompor espontaneamente à temperatura ambiente. Eles devem conduzir íons muito rápido para atingir uma alta densidade de potência da bateria necessária para um carregamento rápido. "

p Depois de analisar os sólidos, eles encontraram seis materiais possíveis que poderiam ser usados ​​como eletrólitos sólidos, pertencente ao sulfeto, iodeto, e classes de boro-hidreto.

p "Estamos muito animados para aplicar nossa estrutura de aprendizado de máquina a problemas de materiais importantes, é por isso que a colaboração com a equipe CMU tem sido tão gratificante, "Xie disse." Encontrar seis potenciais eletrólitos sólidos em tão pouco tempo mostra a possibilidade de acelerar a descoberta de materiais drasticamente com ferramentas de aprendizado de máquina. "

p Agora, Ahmad está trabalhando para contornar o tradeoff fundamental entre sólidos e líquidos:os líquidos geralmente têm alta condutividade iônica, e muito poucos sólidos que têm um nível comparável de condutividade também são estáveis ​​o suficiente para serem usados ​​como eletrólitos. Ahmad está pesquisando o potencial de eletrólitos compostos, combinando vários sólidos com diferentes propriedades desejadas.

p "Estamos investigando eletrólitos compostos, mas o problema é que geralmente não temos dados suficientes para usar o aprendizado de máquina, "Ahmad disse." Então, estamos tentando resolver esse problema por meio de métodos de primeiros princípios - usamos a teoria do funcional da densidade e a dinâmica molecular para prever as propriedades. Depois de fazermos isso, Digamos, cinco materiais, podemos descobrir certos princípios de design, e então podemos tentar usar esses princípios de design para nos ajudar a filtrar outros compostos. "

p O papel, Triagem computacional habilitada para aprendizado de máquina de eletrólitos sólidos inorgânicos para supressão de formação de dendritos em ânodos de metal de lítio, foi publicado no jornal ACS Central Science , DOI:10.1021 / acscentsci.8b00229. Foi nomeado um papel ionizante de topo em Interfaces de Pesquisa. Os autores adicionais foram Venkat Viswanathan, professor assistente de engenharia mecânica na Carnegie Mellon, Jeffery C. Grossman, professor de ciência de materiais e engenharia do MIT, e Chinmay Maheshwari, um estudante do Instituto Indiano de Tecnologia, Bombay, que era um estagiário de pesquisa de verão no laboratório de Viswanathan.