Elektronik är avgörande för vardagen. Hur skulle våra liv se ut utan våra mobiltelefoner eller datorer? Från leksaker till tvättmaskiner till elbilar, elektronik fortsätter att fylla våra dagliga rutiner. Många av dessa elektronik drivs av litiumjonbatterier med hög energidensitet. Men två faktorer i dessa batterier kan leda till farliga konsekvenser.

Först, batterielektrolyten, materialet som leder joner mellan katoden och anoden, är vanligtvis en vätska, som är brandfarligt. Andra, eftersom batterier laddas och laddas ur med tiden, ojämn litiumavsättning vid anoden kan leda till tillväxt av dendriter som kan koppla samman katoden och anoden. Detta kan leda till bränder och explosioner på grund av elektrolytens brännbarhet. Både Tesla-bilar och Boeing-flygplan har drabbats av problem med dendritbatterier, och plötsliga mobiltelefonexplosioner kan också hänföras till dendriter.

Detta är problemet som Zeeshan Ahmad och Tian Xie försöker lösa. Ahmad, en doktorsexamen kandidat i maskinteknik vid Carnegie Mellon University, och Xie, en doktorsexamen kandidat i materialvetenskap och teknik vid Massachusetts Institute of Technology, publicerade nyligen en artikel om deras forskning för att hitta möjliga lösningar på detta dendritproblem. De vände sig till maskininlärning för att generera och analysera enorma mängder data för att hitta dessa lösningar.

För att undertrycka tillväxten av dendriter, Ahmad och hans kollegor undersökte potentiella fasta elektrolyter, som till skillnad från flytande elektrolyter, är inte brandfarliga. Inte bara dechiffrerade de vilka egenskaper den fasta elektrolyten kräver, de behövde också analysera tusentals möjliga fasta material, vilket skulle ha tagit år med traditionella experimentella metoder.

"Vi hade 13, 000 oorganiska kristallina material att sålla över för den fasta elektrolyten, " Ahmad sa. "Det var svårt att bara beräkna egenskaperna för varje fast elektrolyt separat eftersom det är mycket beräkningsmässigt dyrt. Vi använde maskininlärning eftersom det kan fungera på stora dataskalor, för att ta reda på egenskaperna hos fasta elektrolyter."

På grund av mängden datatillgänglighet, Ahmad och Xie använde en mängd olika modeller för maskininlärning. För fall med tillräckligt med befintlig data som kan användas för att träna modellen, de använde en grafkonvolutionell neurala nätverksmodell för att förutsäga egenskaperna hos oorganiska kristallina fasta elektrolyter. I fall där det inte fanns tillräckligt med träningsdata, de använde linjär regression med regularisering, vilket är mer lämpat för lågdataproblem.

"Vi testade alla dessa material för designkriterier eller fasta elektrolyter, " Ahmad sade. "Våra fasta elektrolyter bör dämpa dendrittillväxt vid litiummetallanoden och vara elektroniskt isolerande. De ska vara stabila – de ska inte sönderfalla spontant vid rumstemperatur. De bör leda joner mycket snabbt för att uppnå en hög effekttäthet av batteriet som krävs för snabb laddning."

Efter att ha analyserat de fasta ämnena, de hittade sex möjliga material som kunde användas som fasta elektrolyter, som tillhör sulfiden, jodid, och borhydridklasser.

"Vi är mycket glada över att kunna tillämpa vårt ramverk för maskininlärning på viktiga materialproblem, det är därför samarbetet med CMU-teamet har varit så givande, "Xie sa." Att hitta sex potentiella fasta elektrolyter på så kort tid visar möjligheten att påskynda materialupptäckt drastiskt med verktyg för maskininlärning. "

Nu, Ahmad arbetar med att kringgå den grundläggande kompromissen mellan fasta ämnen och vätskor:vätskor har i allmänhet hög jonledningsförmåga, och mycket få fasta ämnen som har en jämförbar nivå av konduktivitet är också tillräckligt stabila för att användas som elektrolyter. Ahmad forskar på potentialen hos kompositelektrolyter, kombinera flera fasta ämnen med olika önskade egenskaper.

"Vi tittar på kompositelektrolyter, men problemet är att vi i allmänhet inte har tillräckligt med data för att använda maskininlärning, " Ahmad sa. "Så vi försöker ta itu med detta problem genom första principer metoder - vi använder densitet funktionell teori och molekylär dynamik för att förutsäga egenskaperna. När vi väl gör det för, låt oss säga, fem material, vi kan ta reda på vissa designprinciper, och sedan kan vi försöka använda dessa designprinciper för att hjälpa oss att gå igenom andra kompositer."

Pappret, Maskininlärning aktiverad beräkningsscreening av oorganiska fasta elektrolyter för undertryckande av dendritbildning i litiummetallanoder, publicerades i tidskriften ACS Central Science , DOI:10.1021/acscentsci.8b00229. Det utsågs till ett joniseringspapper i forskningsgränssnitt. Ytterligare författare var Venkat Viswanathan, en biträdande professor i maskinteknik vid Carnegie Mellon, Jeffery C. Grossman, professor i materialvetenskap och teknik vid MIT, och Chinmay Maheshwari, en student vid Indian Institute of Technology, Bombay, som var sommarforskare i Viswanathans labb.