在阿根廷國家實驗室的科學家們最近利用機器學習模型來識別新型化學「藥物」，以改善電池性能。研究團隊通過在一個小型數據集上訓練該模型，預測了能夠提升高壓電池技術性能的有效化學組合。研究人員在新聞稿中表示，「通過機器學習找到合適的『處方』，科學家可以確保電池以最佳狀態運行，為更高效和更持久的能源解決方案鋪平道路。」這一研究不僅顯示了機器學習在材料科學中的潛力，也為未來的電池技術發展提供了新的思路。
在訓練模型的初始數據集中，研究人員使用了28種添加劑，並預測了125種新組合的性能。這種方法使他們避免了一個估計需要四到六個月的實驗過程。阿根廷的計算科學家Hieu Doan指出，「傳統觀念認為需要大量數據來訓練機器學習模型，但我們的工作顯示，準確的預測模型不需要大量數據，只需一組良好的數據來正確執行即可。」這一發現為機器學習應用於電池材料的開發提供了新的視角，挑戰了以往的數據需求觀念。
研究集中於一種稱為LNMO的電池，該電池由鋰、鎳、錳和氧組成。這種電池具有更高的能量容量，且不需要鈷，這使得其在供應鏈上更具優勢。然而，LNMO電池的工作電壓接近5伏特，這超過了大多數電解質的穩定性極限。在新聞稿中進一步說明，「手機電池和單個電動車電池通常在約4伏特的低電壓下運行，但5伏特的LNMO電池遠遠超過了任何已知電解質的穩定性極限。」這一特性使得LNMO電池面臨著多重挑戰，因為電解質和陰極處於高度激發狀態，可能導致分解。
為了解決這一問題，科學家們使用電解質添加劑。有效的添加劑會在初始電池循環過程中分解，形成穩定的界面在電極上，這層界面能夠降低電阻並減少降解，從而提高電池的性能。從數百種可能的添加劑中識別出合適的選擇是一個漫長的過程，而阿根廷團隊則開發了一個機器學習模型，將添加劑的化學結構與其對電池性能的影響聯繫起來。Doan將這一過程比作基於觀察進行推理的過程，「我們如何描述這些分子，以便利用這些描述符來預測性能？」他表示。
該模型旨在建立添加劑化學結構與其對電池功能影響之間的聯繫。通過在選定的28種添加劑上訓練模型，系統學會識別與特定電池指標相關的分子特徵，例如電阻和能量容量。然後，它將這一知識應用於篩選125個新候選者，識別出幾種相比於初始數據集中添加劑能夠改善電池性能的選擇。這種將機器學習與實驗科學相結合的方法，為材料發現提供了一種創新的途徑，未來可能會在電池技術上帶來顯著的進步。
