پیشرفت با تریهای حالت جامد نسل آینده نوید ۵۰ درصد افزایش برد خودروهای برقی را میدهد
پیشرفت تازه در فناوری با تریهای حالت جامد نسل آینده، نوید افزایش ۵۰ در صدی برد خودروهای برقی با یک بار شارژ را میدهد. این پیروزی با پشتیبانی یادگیری ماشینی و تسریع در کشف مواد با کارکرد بالا حاصل شده است.
بر پایه گزارشهای منتشر شده، گسترش این فناوری میتواند آینده ذخیرهسازی انرژی را منقلب کرده و خودروهای برقی ایمنتر، با دوامتر و با کارایی بیشتری را به ارمغان آورد.
پیشرفت دیدنی در فناوری با تریهای حالت جامد
پژوهشگران مؤسسه علم و فناوری اسکولکوو و مؤسسه AIRI به نقطه عطفی در فناوری با تریهای حالت جامد دست یافتهاند. فناوری آنها میتواند امکان پیمایش ۵۰ درصد بیشتر را با یک بار شارژ فراهم کند و در عین حال ایمنی و طول عمر با تری را به بود بخشد.
این دستاورد با منفعتگیری از یادگیری ماشینی برای تسریع روال کشف مواد پیشرفته با تری حاصل شده است. محققان در مطالعهای تازه اظهار کردند که به بودهایی همانند افزایش چگالی انرژی، شدت شارژ، پایداری با تری حالت جامد، افت زمان جوابدهی حسگرها یا زمان سوئیچ ممریستورها، با نوآوری در ساختار دستگاهها یا ترکیب مواد آنها مقدور است. آنها بر این نکته پافشاری کردند که برای طراحی رساناهای یونی پیشرفته، شناخت دقیق مکانیزمهای انتقال یون و ویژگیهای آنها اهمیت اساسی دارد.
شبکههای عصبی توانستهاند مواد به ینه برای اجزای کلیدی با تریهای حالت جامد، یعنی الکترولیت جامد و پوششهای محافظ آن، را با سرعتی بسیار با لاتر از روشهای سنتی شیمی کوانتومی شناسایی کنند. در حالی که خودروهای برقی جاری عمدتا از با تریهای لیتیوم-یونی با الکترولیت مایع منفعت میبرند که با خطر جزئی آتشسوزی همراهاند، با تریهای حالت جامد با به رهگیری از مواد جامدی همانند سرامیک، ایمنی بیشتر و چگالی انرژی با لاتری ارائه خواهند داد. با این حال، یافتن الکترولیت جامد مناسب چالشی جدی برای خودروسازان بوده است.
آرتم دمبیتسکی، نویسنده مهم مطالعه و دانشجوی دکتری در، میگوید ما ثابت کردیم که شبکههای عصبی گراف قادرند مواد تا زهای با تحرک یونی بالا برای با تریهای حالت جامد شناسایی کنند و این فرایند را با سرعتی چندین برابر بیشتر از روشهای متداول ان جام دهند. اینگونه توانس تیم چند پوشش محافظ مناسب برای الکترولیتهای این نوع با تریها پی شبینی کنیم.
این پژوهش نقش حیاتی پوششهای محافظ را برجسته میکند. این لایهها برای محافظت از الکترولیت در برابر مواد آند و کاتد لیتیوم فلزی که عکسالعملپذیری با لایی دارند، الزامی میباشند. در غیر این صورت آنها، کارکرد با تری به شدت کاهش مییابد و احتمال اتصال کوتاه افزایش مییابد.
دیمیتری آکسیونوف، از نویسندگان این پژوهش، گفت که لیتیوم فلزی در آند خاصیت کاهندگی با لایی دارد و تقریبا همه الکترولیتهای حاضر در زمان تماس با آن دچار افت خواهد شد. از نظر دیگر، مواد کاتدی نیز بسیار اکسیدکنندهاند و در نتیجه، عکسالعملهای اکسایش یا افت میتوانند ساختار الکترولیت را تخریب کرده و علت کاهش کارکرد یا حتی تشکیل اتصال کوتاه شوند.
در این میان، الگوریتمهای یادگیری ماشینی نقش مهمی ایفا میکنند. این الگوریتمها میتوانند مجموعهای از مواد پیشنهادی را با سرعت و دقت بالا بررسی کرده و گزینههایی را که از نظر پایداری و کارکرد به ترین ویژگیها را دارند، شناسایی کنند.
در یک نمونه کار بردی، پژوهشگران با به رهگیری از روش مبتنی بر هوش مصنوعی خود موفق شدند پوششهای محافظ جدیدی برای ترکیب، یکی از گزینههای مهم الکترولیت در با تریهای حالت جامد، کشف کنند.
