使用大型数据方法来帮助开发下一代电池电解质

发现一种新的强大电解质是设计用于电动车辆，手机，笔记本电脑和网格尺度存储的下一代电池的主要瓶颈之一。本文指出：最稳定的电解质并不总是最导电的。最好的电池并不总是最稳定的。等等。库马尔（Kumar）是第一个设置新论文，该论文在材料的化学中发表，应用人工智能和机器学习起作用。该论文概述了一个新框架，用于查找分子，该框架最大程度地利用了构成完美电池电解质的三个组件 - ONIC电导率，氧化稳定性和库仑效率。该团队将数据集从250个早期锂离子电池研究论文中累积了，并使用AI来计算他们所谓的各种分子的“ escore”。 Escore平衡了这三个标准，并认识到符合所有三个条件的分子。 “一个属性中的冠军分子不是冠军库马尔（Kumar）首席研究员，芝加哥大学PME Neubauer家族的分子工程助理教授Chibueze Amanchukwu说。在多组分混合物中平衡竞争特征的试验和错误。实验室，减少时间，努力和ResouRCE浪费在死胡同和错误上。芝加哥大学PME的研究人员已经在使用AI来帮助开发癌症治疗，免疫疗法，水处理方法，整体和其他新技术。只要可以产生电池电解质的分子的理论数量为1060或60 0 1S，则可以标记数十亿非启动的可能获胜者的技术可带来极大的优势。 Amanchukwu说：“我们不能以数百万的化合物说话，哦，我认为我们应该研究它。” Amanchukwu使用AI进行研究和在线听力比较音乐。想象一下，一个练习人类音乐剧特定品味的AI，这些品质的结合将符合自己的好歌个人演员。新的电解质研究创建了相当于AI的AI，该AI可以跨越现有的播放列表，并猜测该人是否喜欢这首歌。下一步将是一个AI，创建了人们认为的歌曲的播放列表，这是一个微妙但重要的概念。最后一步以及在Amanchukwu实验室进行研究的目的是编写可以写音乐的AI，或者在这种情况下，设计了一个新的分子，可以对所有给定参数进行提供。图形设计怪癖始于2020年，团队开始组织AI培训数据。库马尔说：“目前的数据集有数千个潜在的电解质，我们从研究文献中获得了超过50年的研究。”当数据不是来自化学，而是来自图形设计时，他们需要输入的因素之一。当研究人员撰写论文和期刊以以期刊格式排列它们时，图像中通常可以找到团队可以转换为Escores的数字。这些是jpeg或.png的图纸，图表，图表和其他运行文本的图形，而不是文本本身的一部分。大多数使用研究论文培训的大型语言模型只是阅读文本，这意味着Kuniversit芝加哥PME的反对是在接下来的小时内输入培训数据。 Amanchukwu说：“尽管模型现在很难从图像中获取数据。”尽管培训数据很大，但这是第一步。 Amanchukwu说：“我不想在培训数据中找到分子。” “我想在其他奇怪的化学空间中寻找分子。因此，我们测试了这些模型何时看到从未见过的分子的能力。使用AI的电池。