Inom materialvetenskap kan även små variationer i experimentella parametrar och protokoll leda till oönskade förändringar i ett materials egenskaper. En banbrytande utveckling inom detta område kom med tillkomsten av materialinformatik – ett starkt databeroende område, som fokuserar på materialdata, inklusive syntesprotokoll, egenskaper, mekanismer och strukturer. Det har gynnats avsevärt av artificiell intelligens (AI), som möjliggör storskaliga, automatiserade dataanalyser, materialdesign och experiment som kan hjälpa till att hitta användbara material.

Tyvärr leder fram och tillbaka datadelning inom forskarvärlden ofta till dataförlust. Detta beror på att de flesta materialdatabaser och forskningsrapporter till stor del fokuserar på struktur-egenskapsrelationer och mindre på viktig information såsom viktiga experimentella protokoll.

För att ta itu med dessa frågor utvecklade ett team av forskare under ledning av biträdande professor Kan Hatakeyama-Sato och professor Kenichi Oyaizu från Waseda University i Japan en laboratoriedatahanteringsplattform som beskriver relationerna mellan egenskaper, strukturer och experimentella processer i elektroniska laboratorieanteckningsböcker. I denna elektroniska laboratorieanteckningsbok representeras experimentella händelser och relaterade miljöparametrar som kunskapsdiagram.

Deras studie, som publicerades i npj Computational Materials den 17 augusti 2022 förlitade sig på konceptet att experimentell information utan förlust kan beskrivas som kunskapsgrafer. Teamet inkorporerade en AI-baserad algoritm som automatiskt kunde konvertera dessa kunskapsdiagram till tabeller och ladda upp dem till ett offentligt arkiv. Detta steg införlivades för att säkerställa att datadelningen var förlustfri, och för att göra det möjligt för forskarvärlden att få bättre insikter i de experimentella förhållandena.

För att demonstrera användbarheten av denna plattform använde teamet den för att utforska superjonisk ledningsförmåga i organiskt litium (Li ⁺ )-jonelektrolyter. De registrerade dagliga rådata från över 500 experiment – ​​både framgångsrika och misslyckade – i den elektroniska laboratorieanteckningsboken. Därefter omvandlade datakonverteringsmodulen automatiskt kunskapsgrafdata till maskinlärbara datauppsättningar och analyserade förhållandet mellan experimentella operationer och resultat. Denna analys avslöjade de viktiga parametrar som behövs för att uppnå utmärkt jonledningsförmåga i rumstemperatur på 10 ⁻⁴ –10 ⁻³ S/cm och ett Li ⁺ överföringstal så högt som 0,8.

Så, vilka är realtidsapplikationerna för denna plattform? Hatakeyama-Sato säger, "Denna plattform är för närvarande användbar för solid-state-batterier och kommer med förbättrad prestanda att kunna bidra till utvecklingen av säkrare och högkapacitetsbatterier."

Denna studie ger inte bara en plattform för tillförlitlig dataorienterad forskning utan säkerställer att all information, inklusive experimentella resultat och rå mätdata, är tillgänglig för alla offentligt.

Hatakeyama-Sato diskuterar dess långsiktiga konsekvenser, säger:"Genom att dela rå experimentell data mellan forskare över hela världen kan nya funktionella material upptäckas snabbare. Detta tillvägagångssätt kan också påskynda utvecklingen av energirelaterade enheter, inklusive nästa generations batterier och solceller." + Utforska vidare

Ny hybridelektrolyt för högpresterande Li-ion-batterier