研究人员已转向人工智能来解决一个困扰材料科学家数十年来的问题：如何有效地发现可以胜过在位的锂离子电池的新材料。发表在 细胞报告物理科学 揭示了一种强大的新型AI驱动方法，该方法已经确定了五个新型的候选物质，并有可能加速使用更长，更安全，更环保的可持续电池的liThium后未来的发展。
出色的电池瓶颈：干草堆中的针头
尽管无处不在，但锂离子电池仍有局限性。依赖锂和钴等稀土金属提出了重大的供应链风险和环境问题。此外，该技术在能量密度和性能方面正在接近平稳。科学家长期以来已经理论上称为 过渡金属氧化物（TMOS） 保持巨大的承诺。它们的多功能晶体结构和高离子电导率使它们成为使用丰富的多价离子（如锌，镁和铝）而不是锂的电池的理想候选者。
但是，挑战是巨大的。可能的TMO结构的数量在不同的比率和配置中结合了各种元素，在天文学上是广泛的。使用传统的实验方法甚至标准计算技术（例如密度功能理论（DFT））探索它们是经典的“草堆中的针头”问题，可以缓慢且昂贵。正是这种瓶颈是新的研究旨在通过复杂的双管生成AI框架破坏。
加速发现的双重AI框架
研究人员并没有依靠单个模型，而是设计了一种协同的系统，其中使用了两种不同类型的生成AI来从不同角度探索化学空间。这种方法可确保对可行的新材料进行更全面，更强大的搜索。
第一个组件是 晶体扩散变异自动编码器（CDVAE）。该模型旨在成为创意探险家。它在大量的44,000多个已知TMO结构的数据集上进行了培训，从而使其能够了解如何形成稳定晶体的基本“规则”。然后，CDVAE使用这些知识来产生各种新的合理的晶体结构，其中许多以前从未见过。在这项研究中，它产生了最初的10,000名候选人池，证明了其在探索广泛的新型配置方面的力量。
第二个组件是微调 lARGE语言模型（LLM），特别是Meta的Llama-3.1模型的版本。尽管我们通常将LLM与文本联系起来，但研究人员将其巧妙地适应了化学语言。他们将复杂的晶体结构转换为LLM可以处理的文本的令牌化序列。该模型的优势不是广泛的探索，而是精确。它在生成非常接近热力学平衡的结构方面表现出色，这意味着它们是高度稳定的，并且更有可能在实验室中合成。该模型还产生了10,000个结构，但它们集中在化学空间的较窄，更稳定的区域中。
一旦产生了数万个候选人，它们就会传递给第三个AI模型，这是一种向前的机器学习工具，称为 alignn，充当快速筛选过滤器。它迅速预测了每种结构的关键特性，例如它的形成能量，带隙和“船体上方的能量”（稳定性的关键指标），使研究人员丢弃了无主张的候选人，并仅专注于最可行的候选者。
比较AI创作者：稳定与新颖性
该研究最令人着迷的结果之一是这两个模型产生的材料的明显差异。 LLM产生的结构百分比更高，这些结构被认为是热力学稳定的，其“能量高于船体”值低于0.08 eV/原子阈值。具体而言，其46％的过滤候选者稳定，而CDVAE仅为15％。
但是，这并不能说明整个故事。虽然LLM的作品更加稳定，但 CDVAE 产生了更广泛的结构，具有更大的结构多样性。它具有较低对称空间群体的材料的能力使其能够找到独特的配置，尽管最初较不稳定，但它具有比LLM所发现的更深的能量最小值的潜力。这表明CDVAE在发现可以在特定的非平衡条件下合成的真正新颖的深度能相对于发现真正的新型，深度能的相位。
这种权衡至关重要：LLM更适合查找易于制造的材料，而CDVAE更适合寻找可能需要更先进的合成技术的潜在开创性材料。
突破：五个新的TMO用于下一代电池
该项目的最终胜利来自CDVAE模型，CDVAE模型成功地生成了五个新型基于TMO的结构，其性能非常适合多价离子电池。这些材料，包括构图 cusn₂of₈ 和 ca₄o₂in₂，具有大型开放式隧道框架，这些框架对于允许较大离子有效，安全地通过电极移动至关重要。
为了确认这些发现的可行性，团队对代表性结构进行了声子分散计算， ca₄o₂in₂。结果没有晶格不稳定性，证实了其动力稳定性。即使它被认为是可稳定的，它的结构是正确的，为其潜在的综合打开了大门。此步骤验证了AI不仅产生理论幻想，而且还具有物理上合理的材料，值得进行实验。
