Aux programmes stratégiques de recherche fondamentale de JST, le groupe de recherche dirigé par le professeur agrégé Yuya Oaki et l'étudiant diplômé (à l'époque) Hiromichi Numazawa de la Faculté des sciences et de la technologie, L'Université Keio a établi une nouvelle politique de conception de matériaux organiques pour l'anode des piles secondaires lithium-ion dans le cadre d'un travail conjoint avec l'associé de recherche Yasuhiko Igarashi de la Graduate School of Frontier Sciences, L'Université de Tokyo, grâce à l'utilisation de l'informatique des matériaux (MI). Un matériau de haute capacité et de haute stabilité a été obtenu avec succès grâce à un nombre extrêmement réduit d'expériences.

Afin d'économiser les ressources pour les batteries, des matériaux organiques sans l'utilisation de métal font l'objet de recherches dans le monde entier. Traditionnellement, la recherche de matériaux d'anode pour les batteries au lithium et les batteries sodium-ion a dû reposer sur des essais et des erreurs ou sur l'expérience et l'intuition des chercheurs.

MI effectue généralement l'apprentissage automatique pour les données à grande échelle (big data), et est une technique qui réduit l'implication de l'expérience et de l'intuition des chercheurs. L'un des défis était de savoir comment les chercheurs expérimentaux utilisent leurs propres données à petite échelle et leurs connaissances empiriques.

Le groupe de recherche a examiné une méthode, 'MI orientée vers l'expérimentation, ' qui fusionne des données expérimentales à petite échelle mais relativement précises avec l'expérience et l'intuition des chercheurs expérimentaux, et a obtenu un rendement amélioré des matériaux de nanofeuille et ainsi de suite.

Dans cette étude, la capacité de 16 composés organiques comme anode a été mesurée; plus loin, un petit nombre de facteurs qui peuvent déterminer la capacité en utilisant une modélisation creuse, qui est une technique de science des données, a été identifié. Sur la base de ce résultat, une formule de prédiction de capacité a été développée en considérant les facteurs identifiés comme des variables (modèle de prédiction). Prochain, 11 composés disponibles dans le commerce, dans l'attente d'une certaine capacité d'anode, ont été sélectionnés en partie sur la base de l'expérience et de l'intuition des chercheurs, et la valeur de capacité prédite a été calculée avant l'expérience. Plus loin, la capacité de trois composés avec la valeur prédite la plus élevée a été mesurée, et on a observé que deux composés présentaient une capacité élevée. Ensuite, l'un de ces composés, le composé thiophène, a été polymérisé et un matériau d'anode polymère avec une capacité améliorée, durabilité, et une propriété de charge-décharge rapide a été obtenue.

La politique de conception du matériau d'anode organique établie dans la présente étude est importante pour une amélioration supplémentaire des performances. En combinant un petit ensemble de données expérimentales, l'expérience et l'intuition des chercheurs, et l'apprentissage automatique a conduit à la découverte réussie d'un matériau haute performance. Il a également montré l'efficacité de la combinaison de la science expérimentale et de l'IM pour améliorer l'efficacité de la recherche de matériaux.