Skip to main content

Ricercatori della Carnegie Mellon stanno utilizzando un sistema automatizzato e un software di apprendimento automatico per sviluppare elettroliti a carica rapida con prestazioni superiori a quelli standard

All’inizio dell’anno, alcuni ricercatori della Carnegie Mellon hanno cominciato ad utilizzare un sistema robotico per eseguire dozzine di esperimenti allo scopo di sviluppare elettroliti che possano rendere più veloce la ricarica delle batterie agli ioni di litio, uno dei principali ostacoli all’adozione diffusa dei veicoli elettrici.

Il sistema di pompe, valvole e strumenti automatizzati, noto come Clio, ha miscelato insieme vari solventi, sali e altre sostanze chimiche, quindi ha misurato le prestazioni della soluzione su parametri critici della batteria. Questi risultati sono stati quindi inseriti in un sistema di apprendimento automatico, noto come Dragonfly, che ha utilizzato i dati per proporre diverse combinazioni chimiche che potrebbero funzionare anche meglio.

Alla fine, il sistema ha prodotto sei soluzioni elettrolitiche che hanno superato lo standard attuale una volta collocate in piccole celle di prova. I risultati della loro ricerca sono stati pubblicati dalla rivista Nature Communications. la soluzione migliore ha portato ad un incremento del 13% rispetto sulle attuali prestazioni migliori.

Lo sviluppo di elettroliti migliori è fondamentale per incrementare le prestazioni, la sicurezza e il costo delle batterie. L’esistenza di batterie a ricarica più rapida sono particolarmente importanti per rendere più attraenti sul mercato le auto elettriche e i camion, evitando agli utenti il fastidio di lunghi ritardi alle stazioni di ricarica.

Negli ultimi anni, i laboratori di ricerca hanno accoppiato sempre più spesso sistemi automatizzati con software di apprendimento automatico, allo scopo di sviluppare i materiali ideali per applicazioni particolari. Gli scienziati hanno sfruttato questi metodi per identificare materiali promettenti per elettroliti allo stato solido, celle solari fotovoltaiche e catalizzatori elettrochimici. Alcune startup si sono specializzate proprio nella messa in commercio di questo approccio, come Chemify e Aionics.

Storicamente, i ricercatori specializzati nella scoperta di nuovi materiali hanno escogitato e testato le proprie opzioni utilizzando un mix di intuizioni, speculazioni informate e tentativi per errore. Questo processo, però, è sia difficile che dispendioso in termini di tempo, data la vasta gamma di possibili sostanze e combinazioni, che possono deviare i ricercatori su numerose false strade.

Nel caso degli ingredienti elettrolitici, “puoi mescolarli e abbinarli in miliardi di modi”, afferma Venkat Viswanathan, professore associato alla Carnegie Mellon, coautore dello studio pubblicato su Nature Communications, nonchè cofondatore e direttore scientifico della Aionics. Ha collaborato con Jay Whitacre, direttore del Wilton E. Scott Institute for Energy Innovation dell’università e co-ricercatore principale del progetto, insieme ad altri ricercatori dela Carnegie, nella ricerca di come semplificare il processo combinando l’utilizzo di robotica e apprendimento automatico.

La promessa di un sistema come Clio e Dragonfly è la rapidità con cui può analizzare una gamma di possibilità più ampia rispetto ai ricercatori umani e applicare ciò che apprende in modo sistematico.

Dragonfly non è dotato di informazioni sulla chimica o sulle batterie. I suoi suggerimenti vengono, quindi, offerti senza pregiudizio, fatta eccezione per l’ordine in cui testare le miscele, spiega Viswanathan. Passa attraverso un’ampia varietà di combinazioni, da lievi perfezionamenti dell’originale a suggerimenti completamente fuori dagli schemi, puntando su di un mix di ingredienti che offre risultati sempre migliori rispetto all’obiettivo programmato.

Nel caso degli esperimenti sulle batterie, il team della Carnegie Mellon stava cercando un elettrolita che accelerasse il processo di ricarica delle batterie.

La soluzione elettrolitica aiuta a trasportare gli ioni, o atomi con una carica netta dovuta alla perdita o al guadagno di un elettrone, tra i due elettrodi di una batteria. Quando la batteria è in uso e si scarica, gli ioni di litio vengono creati sull’elettrodo negativo, noto come anodo, e fluiscono attraverso la soluzione verso l’elettrodo positivo, il catodo, dove guadagnano elettroni. Durante la ricarica, il processo viene invertito.

Una delle metriche chiave che Clio ha misurato e cercato di ottimizzare è la “conduttività ionica“, ovvero la velocità con cui gli ioni fluiscono attraverso la soluzione, che influisce direttamente sulla velocità di ricarica di una batteria.

Ma un’ulteriore sfida per gli elettroliti commerciali è che devono funzionare bene in una varietà di misure, inclusi i cicli di vita totali, la potenza e la sicurezza, e i miglioramenti in un’area possono spesso venire a scapito di altri.

Con il prossimo studio, i ricercatori della Carnegie Mellon sperano di accelerare gli esperimenti robotici, perfezionare gli strumenti di apprendimento automatico ed eseguire esperimenti con obiettivi multipli, piuttosto che un unico obiettivo sulle prestazioni.

La grande speranza è che l’automazione e l’apprendimento automatico possano accelerare la scoperta della prossima serie di materiali rivoluzionari, contribuendo a fornire batterie migliori, un fotovoltaico più efficiente e altro ancora mentre il mondo gareggia per ridurre le emissioni climatiche.

Immagine: Adarsh ​​Dave e Venkat Viswanathan lavorano su Clio, alloggiata in un vano portaoggetti a umidità controllata. Adarsh ​​Dave