Un equipo de investigadores de Microsoft y el Laboratorio Nacional del Noroeste del Pacífico (PNNL) ha utilizado la inteligencia artificial y la supercomputación para descubrir un nuevo material para baterías, que podría reducir la dependencia del litio. El nuevo material, que es un electrolito sólido, se identificó a partir de un conjunto de más de 32 millones de candidatos en sólo 80 horas, un proceso que habría llevado décadas con los métodos tradicionales. Los investigadores también sintetizaron y probaron el nuevo material en el laboratorio y crearon un prototipo de batería funcional.
El estudio, publicado en arXiv, demuestra el poder y el potencial de la combinación de IA y supercomputación para acelerar el descubrimiento y desarrollo de nuevos materiales para diversas aplicaciones, como el almacenamiento de energía, la captura de carbono y la catálisis.
Las baterías son esenciales para alimentar muchos dispositivos que utilizamos a diario, así como para almacenar energía renovable procedente de fuentes como la eólica y la solar. Sin embargo, la mayoría de las baterías dependen de electrolitos líquidos, que son materiales que transfieren iones entre los electrodos. Los electrolitos líquidos presentan varios inconvenientes, como fugas, inflamabilidad y vida útil limitada. Además, suelen contener litio, que es caro y escaso, y cuya extracción causa daños medioambientales.
Por ello, los científicos han estado buscando electrolitos sólidos, que son más seguros, estables y eficaces que los líquidos. Sin embargo, encontrar un electrolito sólido adecuado es una tarea ardua, ya que requiere examinar millones de materiales posibles en función de su estabilidad, conductividad y compatibilidad con los electrodos.
Para superar este reto, los investigadores utilizaron IA y supercomputación para acelerar la búsqueda y evaluación de los materiales candidatos. Empezaron con 23,6 millones de materiales, que se generaron modificando la estructura y composición de electrolitos sólidos conocidos. A continuación utilizaron técnicas de aprendizaje automático, que pueden hacer predicciones rápidas basadas en patrones aprendidos a partir de datos existentes, para filtrar los materiales con pocas probabilidades de ser estables o de tener las propiedades deseadas para las baterías.
Los modelos de aprendizaje automático se entrenaron con datos del Materials Project, una base de datos pública que contiene información sobre las propiedades y estructuras de más de 140.000 materiales. Los modelos también se ejecutaron en Azure, la plataforma de computación en la nube de Microsoft, lo que permitió el procesamiento paralelo y la escalabilidad.
La selección mediante aprendizaje automático redujo la lista de candidatos a menos de 600.000 materiales. A continuación, los investigadores utilizaron métodos más precisos pero intensivos desde el punto de vista computacional, basados en la física cuántica, para seguir evaluando los materiales restantes. Estos métodos se utilizaron en el superordenador Summit del Laboratorio Nacional de Oak Ridge, el más rápido del mundo.
Los cálculos de física cuántica redujeron la lista a 23 materiales, que se clasificaron según su idoneidad para las baterías. A continuación, los investigadores seleccionaron uno de los materiales, que tenía una composición novedosa de litio, sodio y azufre, para sintetizarlo y probarlo en el laboratorio. Comprobaron que el material tenía una elevada conductividad iónica y una buena compatibilidad con los electrodos, y que podía utilizarse para fabricar una pila operativa.
Los investigadores afirman que su estudio demuestra que la IA y la supercomputación pueden acelerar considerablemente el descubrimiento de nuevos materiales y que su método puede aplicarse a otros campos y retos. También señalaron que su estudio ponía de relieve la importancia de la colaboración y el intercambio de datos entre distintas disciplinas e instituciones, así como la necesidad de más investigación y desarrollo sobre electrolitos sólidos y baterías.