密歇根大學的研究人員正在利用阿貢超級計算機來建立基礎模型，以加快材料搜尋過程，從而提升電池性能。這個項目由 Venkat Vishwanathan 領導，研究團隊獲得了美國能源部阿貢國家實驗室的超級計算機資源，旨在加速新電池材料的發現，應用範圍涵蓋從個人電子產品到醫療設備等多個領域。長期以來，尋找更佳電池材料的過程一直是基於試錯的方式，Vishwanathan 表示：「在電池材料的發現歷史上，大部分新發明都是依賴直覺。現在我們使用的材料大多是在 1975 年到 1985 年之間發現的，我們至今仍主要依賴這一套材料，僅進行了一些小幅改進來提升電池性能。」
基礎 AI 模型與傳統 AI 模型有所不同，這些模型是針對特定目的進行訓練，例如藥物發現或神經科學，幫助研究人員生成精確的預測。Vishwanathan 提到：「我們的基礎模型具有廣泛的分子宇宙理解，使得在處理特定任務如預測性質時變得更加高效。」例如，研究人員可以預測導電性，這能告訴我們電池充電的速度，還可以預測熔點、沸點、易燃性等對電池設計有用的其他性質。
科學家們正利用 AI 來加速尋找更佳電池材料的過程。為了讓下一代電池更強大、更持久且更安全，研究人員需要改進電解質（傳導電荷）和電極（儲存與釋放能量）。面對超過 10⁶⁰ 種化學化合物的龐大數量，Vishwanathan 領導的團隊訓練了歷史上最大的化學 AI 模型之一，利用 Polaris 超級計算機進行研究。這個模型從數十億已知分子中學習，識別模式以預測新材料的性質，並使用一種稱為 SMILES 的文本系統和新工具 SMIRK 提高準確性。目前，研究團隊正在使用強大的 Aurora 超級計算機構建第二個電極材料模型，這些 AI 模型可以建議最佳候選材料進行實驗室測試，從而加速電池研究過程。
訓練 AI 模型需要龐大的計算能力。通過美國能源部的 INCITE 計劃，Vishwanathan 團隊接入了 ALCF 超級計算機，克服了較小計算集群和昂貴雲服務的限制。ALCF 配備了數千個 GPU，支持大規模的 AI 工作負載。與阿貢的專家及其他領域的科學家（如基因組學）的合作促進了性能優化和創新分享，使在電池研究中的突破成為可能，並將其他科學領域的經驗教訓應用於此。
這支團隊還將基礎模型與 LLM 驅動的聊天機器人如 ChatGPT 整合，讓學生、博士後及合作者能夠隨時提問、快速測試想法，探索新的化學基礎，而無需撰寫代碼。Vishwanathan 表示：「每位研究生都能與頂尖的電解質科學家每日交流，這種能力觸手可及，為探索開啟了全新的層次。」這一能力改變了研究人員對發現過程的看法，Vishwanathan 進一步指出：「這根本改變了我們對這些事物的思考方式。這些模型可以創造性地思考，開發出可能使專家科學家也感到驚訝的新分子。這是一個 AI 驅動材料研究的卓越時代。」AI 不再僅僅是一個分析工具，而是成為科學發現的創造性夥伴。
