Благодаря использованию машинного обучения исследователям удалось оптимизировать состав натрий-ионных аккумуляторов

Хранение энергии сейчас является неотъемлемой частью быстро технологий. Например, это выработка возобновляемой энергии и электромобили. Пока на рынке доминируют литий-ионные аккумуляторы. Литий является дорогим и редким элементом, что вызывает ряд экономических проблем и нестабильность поставок. Поэтому исследователи во всех странах проводят эксперименты с новыми типами электрохимических систем для аккумуляторов.

Натрий-ионные аккумуляторы являются одной из многообещающих альтернатив литиевых. В качестве носителя энергии здесь используется ионы натрия. Этот металл стоит ниже и широко распространён в природе. Слоистые оксиды переходных металлов (NaMeO₂) являются мощными материалами для положительного электрода натрий-ионных аккумуляторов, обеспечивая исключительную плотность энергии и ёмкость.

Для многоэлементных слоистых оксидов, которые состоят из ряда переходных металлов, существует множество различных комбинаций. Из-за этого поиск оптимального состава является сложным и трудоёмким. Даже если учёные произведут незначительные изменения в составе, это вызывает заметные изменения в морфологии кристаллов и влияет на производительность аккумулятора.

Команда учёных стремилась автоматизировать скрининг элементных составов в различных материалах типа NaMeO₂O₃. С этой целью они собрали базу данных из 100 образцов натриевых полуэлементов типа O₃ с 68 различными составами. Эту базу группа учёных Комабы собирала в течение 11 лет. В неё входят образцы NaMeO₂, где Me был переходным металлом, таким как Mn, Ti, Zn, Ni, Zn, Fe и Sn. По этим образцам имеются верхние и нижние пределы напряжения зарядно-разрядных испытаний, начальная разрядная ёмкость, среднее разрядное напряжение и сохранение ёмкости после 20 циклов.

Исследователи использовали эту базу данных для обучения модели, включающей несколько алгоритмов машинного обучения. Кроме того, они применяли байесовскую оптимизацию для выполнения эффективного поиска. Целью данной модели было изучение таких параметров, как сохранение ёмкости (срок эксплуатации), рабочее напряжение, энергетическая плотность. Они также занимались прогнозированием оптимального соотношения элементов, которые требуются для достижения необходимого баланса между этими свойствами.

После анализа результатов учёные обнаружили, что обучающая модель предсказала формулу Na[Mn_0.36Ni_0.44Ti_0.15Fe_0.05]O₂ в качестве оптимального состава для достижения наибольшей энергетической плотности. Последняя является одной из важнейших характеристик электронных материалов. Чтобы проверить точность прогноза модели, были синтезированы образцы с этим составом. Учёные собрали стандартные плоские элементы питания для проведения испытаний заряд-разряд.

В основном измеренные значения соответствовали прогнозируемым. Это говорит о точности модели и её потенциала для поиска новых материалов для натрий-ионных аккумуляторов. Как говорит Комаба, подход, разработанный в их исследовании, предлагает эффективный способ выявления перспективных композиций из широкого спектра потенциальных составов. Кроме того, эту методологию можно распространить на более сложные материальные системы, среди которых пятеричные оксиды переходных металлов.

Использование машинного обучения для выявления перспективных направлений исследований сейчас становится ведущей тенденцией в материаловедении. Эта технология позволяет существенно сократить число экспериментов, а также время, необходимое для поиска новых материалов. Стратегия учёных, которая представлена в этом исследовании поможет быстрее разработать аккумуляторы следующего поколения. Будущие натрий ионные аккумуляторные батареи могут произвести революцию в технологиях хранения энергии по различным направлениям.

Причём, это касается не только хранения возобновляемой энергии и электромобилей, но также различной потребительской электроники (ноутбуки, планшеты, смартфоны). Успешное применение машинного обучения в исследовании аккумуляторов может стать шаблоном для разработки материалов в других сферах. Это ускорит инновации в различных направлениях материаловедения.

Комаба сказал, что машинное обучение позволяет существенно снизить стоимость разработки новых материалов для аккумуляторов. Характеристики электронных материалов для натрий-ионных аккумуляторных батарей продолжают улучшаться. Поэтому в скором времени они получат большую ёмкость и более длительный срок эксплуатации.