L'électronique est indispensable à la vie de tous les jours. À quoi ressemblerait notre vie sans nos téléphones portables ou nos ordinateurs ? Des jouets aux machines à laver en passant par les voitures électriques, l'électronique continue de remplir nos routines quotidiennes. Beaucoup de ces appareils électroniques sont alimentés par des batteries lithium-ion à haute densité énergétique. Mais deux facteurs dans ces batteries peuvent entraîner des conséquences dangereuses.

D'abord, l'électrolyte de la batterie, le matériau conducteur d'ions entre la cathode et l'anode, est généralement un liquide, qui est inflammable. Seconde, au fur et à mesure que les batteries se chargent et se déchargent au fil du temps, un dépôt inégal de lithium à l'anode peut conduire à la croissance de dendrites qui peuvent relier la cathode et l'anode. Cela peut provoquer des incendies et des explosions en raison de l'inflammabilité de l'électrolyte. Les voitures Tesla et les avions Boeing ont tous deux souffert de problèmes de batterie dendrite, et les explosions soudaines de téléphones portables peuvent également être attribuées aux dendrites.

C'est le problème que Zeeshan Ahmad et Tian Xie tentent de résoudre. Ahmad, un doctorat candidat en génie mécanique à l'Université Carnegie Mellon, et Xie, un doctorat candidat en science et ingénierie des matériaux au Massachusetts Institute of Technology, a récemment publié un article sur leurs recherches pour trouver des solutions possibles à ce problème de dendrite. Ils se sont tournés vers l'apprentissage automatique pour générer et analyser des quantités massives de données afin de trouver ces solutions.

Pour supprimer la croissance des dendrites, Ahmad et ses collègues ont recherché des électrolytes solides potentiels, qui contrairement aux électrolytes liquides, ne sont pas inflammables. Non seulement ils ont déchiffré les propriétés requises par l'électrolyte solide, ils devaient également analyser des milliers de matériaux solides possibles, ce qui aurait pris des années avec les méthodes expérimentales traditionnelles.

"Nous en avions 13, 000 matériaux cristallins inorganiques à tamiser pour l'électrolyte solide, " a déclaré Ahmad. " Il était difficile de simplement calculer les propriétés de chaque électrolyte solide séparément parce que c'est très coûteux en termes de calcul. Nous avons utilisé l'apprentissage automatique car il peut fonctionner à de grandes échelles de données, pour découvrir les propriétés des électrolytes solides.

En raison de l'étendue de la disponibilité des données, Ahmad et Xie ont utilisé une variété de modèles d'apprentissage automatique. Pour les cas avec suffisamment de données existantes pouvant être utilisées pour l'apprentissage du modèle, ils ont utilisé un modèle de réseau de neurones convolutif graphique pour prédire les propriétés des électrolytes solides cristallins inorganiques. Dans les cas où il n'y avait pas suffisamment de données d'entraînement, ils ont utilisé la régression linéaire avec régularisation, ce qui est plus approprié pour les problèmes de faibles données.

« Nous avons testé tous ces matériaux pour des critères de conception ou des électrolytes solides, " a déclaré Ahmad. "Nos électrolytes solides devraient supprimer la croissance des dendrites à l'anode de lithium métallique et être électroniquement isolants. Ils doivent être stables, ils ne doivent pas se décomposer spontanément à température ambiante. Ils doivent conduire les ions très rapidement pour atteindre une densité de puissance élevée de la batterie requise pour une charge rapide."

Après analyse des solides, ils ont trouvé six matériaux possibles qui pourraient être utilisés comme électrolytes solides, appartenant au sulfure, iodure, et les classes de borohydrure.

« Nous sommes très heureux d'appliquer notre cadre d'apprentissage automatique à d'importants problèmes de matériaux, c'est pourquoi la collaboration avec l'équipe CMU a été si enrichissante, ", a déclaré Xie. "Trouver six électrolytes solides potentiels en si peu de temps montre la possibilité d'accélérer considérablement la découverte de matériaux avec des outils d'apprentissage automatique."

Maintenant, Ahmad travaille à contourner le compromis fondamental entre les solides et les liquides :les liquides ont généralement une conductivité ionique élevée, et très peu de solides qui ont un niveau de conductivité comparable sont également suffisamment stables pour être utilisés comme électrolytes. Ahmad étudie le potentiel des électrolytes composites, combiner plusieurs solides avec différentes propriétés souhaitées.

« Nous étudions les électrolytes composites, mais le problème est que généralement nous n'avons pas suffisamment de données pour utiliser le machine learning, " a déclaré Ahmad. " Nous essayons donc de résoudre ce problème par le biais des méthodes des premiers principes - nous utilisons la théorie fonctionnelle de la densité et la dynamique moléculaire pour prédire les propriétés. Une fois que nous le faisons pour, Disons, cinq matériaux, nous pouvons découvrir certains principes de conception, et ensuite nous pouvons essayer d'utiliser ces principes de conception pour nous aider à filtrer d'autres composites."

Le papier, L'apprentissage automatique a permis le criblage informatique des électrolytes solides inorganiques pour la suppression de la formation de dendrite dans les anodes au lithium métal, a été publié dans la revue ACS Science centrale , DOI :10.1021/acscentsci.8b00229. Il a été nommé l'un des meilleurs papiers ionisants dans Research Interfaces. Les auteurs supplémentaires étaient Venkat Viswanathan, professeur adjoint de génie mécanique à Carnegie Mellon, Jeffery C. Grossman, professeur de science et d'ingénierie des matériaux au MIT, et Chinmay Maheshwari, étudiant à l'Indian Institute of Technology, Bombay, qui était un stagiaire de recherche d'été dans le laboratoire de Viswanathan.