Schematiskt diagram över automatiserat elektrolytexperiment - "Clio." Den använder en serie av två programmatiska pumpar för att dosera och överföra ett vätskeprov. Dosering sker från matarlösningar (a) genom en 24-portsventil (b) förmedlad av pumpar (c) och en trevägsventil (d) till antingen ett avfallskärl (e) eller ett gemensamt kärl med en sonikator för blandning ( f). Transfer tar vätskeprovet genom en dubbel Pt-tråds konduktivitetskammare ansluten till en Palmsens4 potentiostat (g), en trevägsventil som leder till en massbalans (h) och en Brookfield viskosimeter (i). All 5 V-omkoppling hanteras av ett Devantech-relä (j). Anpassad Labview-mjukvara (k) orkestrerar alla instrument. Argon från handskfacket leds in med högt tryck (l) för att hjälpa till att rensa ut den stängda volymen. Kredit:Nature Communications (2022). DOI:10.1038/s41467-022-32938-1
Ett team av forskare vid Carnegie Mellon University har utvecklat ett nytt tillvägagångssätt för att påskynda processen att skapa allt mer optimerade batterier. I deras artikel publicerad i tidskriften Nature Communications , beskriver gruppen hur de parade ihop en unik typ av robot med ett AI-inlärningssystem för att skapa allt mer användbara icke-vattenhaltiga flytande elektrolyter.
I takt med att försäljningen av handhållna enheter har skjutit i höjden och biltillverkarna har vänt sig till elfordon, har efterfrågan på batterier som håller längre och laddas snabbare också ökat. Tyvärr har vetenskapen om att utveckla nya batterier för att tillgodose sådana behov släpat efter - det involverar vanligtvis användningen av intuition från kemisters sida tillsammans med uthållighet. Sådana ansträngningar kan ta år. I den här nya studien försökte forskarna i Pittsburgh påskynda processen genom att använda automationstekniker.
Kärnan i de flesta batterikonstruktioner är skapandet av en icke-vattenhaltig litiumjonbatterielektrolyt som fungerar bättre än de som har utvecklats tidigare. Forskare tenderar att skjuta för optimerad jonledningsförmåga. För att påskynda processen att hitta dem skapade forskarna en robot som heter Clio som accepterade ingredienserna som användes för att göra en elektrolyt och sedan följde en uppsättning instruktioner för att göra några prover.
De lade sedan till en dator som kör en applikation för djupinlärning (kallad Dragonfly) som accepterade data från Clio och från sensorer i elektrolyten som producerades av roboten. Dragonfly analyserade provet och föreslog sedan möjliga förbättringar. Clio accepterade förbättringarna och använde dem för att göra ett nytt prov. Detta fram-och-tillbaka-system upprepades flera gånger (var och en tog ungefär två dagar) med elektrolyten som gradvis förbättrades. Vid en punkt som utsetts av forskarna upphörde det mekaniska paret att fungera, vilket gjorde det möjligt för forskarna att testa de produkter som hade producerats.
I sina tester fann forskarna att deras parade system fungerade som man hoppats, de såg gradvisa förbättringar i elektrolytproverna – de bästa visade sig vara 13 % bättre än de bästa batterierna på marknaden nu.
Framöver planerar forskarna att fortsätta förfina sitt system för att möjliggöra testning av fler mål och kanske få det att köras snabbare. + Utforska vidare
© 2022 Science X Network
