KI-Modell MolSets revolutioniert die Elektrolytforschung: KI-Algorithmus identifiziert leistungsstarke Elektrolyte für Batterien

MÜNCHEN (IT BOLTWISE) – Elektrolyte ermöglichen es Batterien, von Ihrem Handy bis hin zu einem Elektroauto, Energie zu erzeugen. Wissenschaftler suchen seit langem nach effizienteren Elektrolyten, fühlen sich jedoch immer noch herausgefordert, bessere zu entdecken als jene, die vor über drei Jahrzehnten entwickelt wurden. Ein Hauptgrund dafür ist die enorme Anzahl potenzieller Molekülkombinationen, die einen Elektrolyten bilden können.

Wissenschaftler der Northwestern Engineering in Zusammenarbeit mit Forschern der Universität Texas in Austin haben einen künstlichen Intelligenz (KI)-Algorithmus namens MolSets entwickelt, der Forschern helfen könnte, dieses Problem zu überwinden. Das KI-Modell verwendet Machine Learning, um die Eigenschaften von Elektrolytmischungen vorherzusagen und benötigt dafür nur Sekunden, ein Prozess, der im Labor Jahre dauern würde.

„Stellen Sie sich vor, Sie möchten eine neue Molekülmischung erstellen und müssen drei Moleküle aus 200 auswählen, das sind mehr als eine Million potenzielle Kandidaten – ganz zu schweigen davon, dass Moleküle unterschiedliche Gewichtsanteile haben können. Man kann nicht all diese im Labor testen“, sagte Henry Zhang, Doktorand und Ryan Fellowship-Stipendiat an der Northwestern Engineering und Erstautor des Artikels. „Wir haben ein Modell entwickelt, das die Eigenschaften einer Molekülmischung vorhersagen kann, bevor man sie herstellt. Dies kann die Suche nach neuen Elektrolyten gezielter und effizienter gestalten.“

Ein Forschungspapier zu den Ergebnissen, mit dem Titel „Learning Molecular Mixture Property Using Chemistry-Aware Graph Neural Network“, wurde am 12. Juni in PRX Energy veröffentlicht.

Bewältigung der kombinatorischen Komplexität
Um ein funktionsfähiges KI-Modell zu entwickeln, mussten die Forscher zunächst eine Herausforderung im chemischen Bereich bewältigen, die als kombinatorische Komplexität bekannt ist. Diese tritt bei Molekülmischungen nicht nur aufgrund der schieren Anzahl potenzieller Kombinationen auf, sondern auch wegen der Vielzahl an Möglichkeiten, wie Moleküle miteinander interagieren. Der Algorithmus musste außerdem permutationseinvariant sein, das heißt, die Ergebnisse bleiben gleich, auch wenn sich die Reihenfolge der eingegebenen Moleküle ändert.

Die Lösung bestand darin, einzelne Moleküle als Graphen und ihre Mischung als mathematische Menge darzustellen und dann ein Graph Neural Network und eine „Deep Sets“-Architektur zu nutzen, um Informationen auf molekularer Ebene zu extrahieren und auf Mischungsebene zu aggregieren. Dies adressierte lokale Komplexität bei gleichzeitiger globaler Flexibilität.

„Denken Sie an ChatGPT, aber für Molekülmischungen“, sagte Zhang. „Genau wie ChatGPT die Beziehung zwischen Wörtern erfasst, erfasst unser Algorithmus die Interaktionen zwischen Molekülen.“

Das Team trainierte das Modell mit einem Molekülmischungs-Datensatz, der aus veröffentlichten wissenschaftlichen Arbeiten gesammelt wurde, und die Forscher der Universität Texas in Austin validierten experimentell die Vorhersagen des Algorithmus.

Nachdem sie mit dem Algorithmus Genauigkeit, Effizienz und Interpretierbarkeit erreicht hatten, plant das Team nun, ihn mit weiteren Daten zu verfeinern. Genau wie ChatGPT von der Anzahl der eingegebenen Wörter und Phrasen profitiert, profitiert MolSets von der Anzahl der Moleküldatensätze. In Zukunft sehen sie ihr Modell als Teil eines „selbstfahrenden Labors“, das Robotik nutzt, um autonom große Mengen experimenteller Daten zu generieren und künstliche Intelligenz (KI) zur Steuerung automatisierter Experimente einzusetzen.

„KI-gesteuerte Experimente werden transformativ sein und eine grundlegende Komponente zukünftiger Material- und Chemieforschung werden“, sagte James Rondinelli, Mitautor des Papiers und Walter Dill Scott Professor für Materialwissenschaft und Ingenieurwesen an der Northwestern Engineering. „Es spart sowohl Kosten als auch Zeit. Und sobald ein Modell trainiert ist, steht es allen zur Verfügung, was in gewisser Weise Chancengleichheit in der Forschungs- und Ingenieurswelt bringt und hoffentlich seine gesellschaftlichen Auswirkungen beschleunigt.“

Diese Arbeit dient auch als Beispiel für die interdisziplinäre Forschung, die den Ansatz von Northwestern Engineering zur wissenschaftlichen Entdeckung prägt.

„Es gibt Herausforderungen innerhalb von Disziplinen, die nicht mit den konventionellen Methoden dieser Disziplinen angegangen werden können. Diese Arbeit ist zum Beispiel eine Zusammenarbeit zwischen Material- und Maschinenbauingenieuren, die das Gebiet des Materialdesigns mit Hilfe von künstlicher Intelligenz vorangebracht hat“, sagte Wei Chen, Mitautor des Papiers und Wilson-Cook-Professor für Engineering Design und Vorsitzender des Maschinenbaus an der Northwestern Engineering. „Ohne interdisziplinäre Zusammenarbeit oder Interesse an interdisziplinärem Denken wären wir nicht in der Lage, bestimmte Herausforderungen zu identifizieren oder zu wissen, dass diese Herausforderungen lösbar sind.“

Weitere Autoren des Papiers sind Jie Chen von der Northwestern Engineering; sowie Tianxing Lai und Arumugam Manthiram von der University of Texas in Austin.