Исследователи из Школы молекулярной инженерии Притцкера при Чикагском университете представили инновационный ИИ-инструмент под названием ElectrolyteGPT. Эта нейросеть способна в автоматическом режиме создавать полноценные рецептуры электролитов для аккумуляторных батарей, выходя далеко за рамки простого подбора отдельных химических компонентов.
Электролиты играют критическую роль в архитектуре современных аккумуляторов. Они представляют собой сложные смеси из солей, растворителей и специализированных добавок. Именно от их точного состава напрямую зависят ключевые характеристики накопителей энергии: емкость, скорость зарядки, уровень безопасности и общая долговечность. Традиционная разработка новых составов считается одной из сложнейших и наиболее трудоемких задач в материаловедении, так как количество потенциальных молекулярных комбинаций и их пропорций практически не поддается ручному исчислению.
Революция в проектировании материалов
Модель ElectrolyteGPT радикально меняет подход к научным изысканиям. В отличие от существующих алгоритмов, которые обычно ограничиваются лишь поиском перспективных веществ, данный ИИ сразу формирует готовые формулы. Он определяет концентрацию компонентов, оптимальные пропорции смешивания и прогнозирует ключевые физико-химические параметры будущего электролита.
Эффективность работы системы уже подтверждена экспериментально. Ученые синтезировали ряд составов, предложенных нейросетью, и провели их лабораторное тестирование. Результаты показали, что некоторые из них по своим рабочим характеристикам не уступают современным решениям, используемым в передовых литий-металлических аккумуляторах.
Руководитель проекта, профессор Чибуэзе Аманчукву (Chibueze Amanchukwu), подчеркивает, что нейросеть уже справляется с задачами проектирования материалов на уровне квалифицированных специалистов. Это открывает широкие перспективы для массового внедрения ИИ в создание аккумуляторов следующего поколения.
Особенности обучения нейросети
В процессе разработки исследователи столкнулись с проблемой нехватки профильных данных. Большинство стандартных больших языковых моделей обучаются на массивах информации, связанных с фармацевтикой и поиском лекарственных препаратов. На ранних этапах это приводило к тому, что ElectrolyteGPT предлагал молекулярные цепочки, эффективные в биологии, но абсолютно бесполезные для задач аккумуляторной отрасли.
Чтобы нивелировать этот недостаток, команда ученых создала собственную специализированную базу данных, включающую исключительно соединения, релевантные для химии электролитов. После дообучения система начала генерировать химически стабильные и пригодные для практического применения составы.
На текущем этапе все результаты работы искусственного интеллекта проходят строгую верификацию в лабораторных условиях. Тем не менее, скорость, с которой ElectrolyteGPT анализирует и предлагает новые варианты материалов, позволяет рассчитывать на значительное ускорение прогресса в создании емких и безопасных накопителей энергии для электротранспорта, мобильной электроники и промышленных систем хранения.
