Microsoft AI, ultra verimli bir pil elektrolitini keşfetti

Çok sayıda pil teknolojisinin ana bileşeni olan lityumun 2025 gibi erken bir tarihte kıtlık yaşayacağı ve 2030 yılına kadar talebin on kat artması bekleniyor. Lityum madenciliği aynı zamanda önemli miktarda su ve enerji içeren geniş bir çevresel ayak izine sahip.

Konseptten çalışan pil prototipine kadar olan uçtan uca süreç dokuz aydan az sürdü; bunun geleneksel olarak yaklaşık yirmi yıl sürebileceğini tahmin ediyorlar.

Microsoft’un süper bilgisayarları süreci hızlandırdı, 32 milyon potansiyel inorganik materyali eleyerek bir haftadan kısa sürede bunları 18 adaya indirdi. Bu, yaklaşık 2 milyon yeni malzeme keşfeden özerk bir araştırma laboratuvarı oluşturan Google DeepMind’ın benzer bir atılımını takip ediyor.

Microsoft’un Genel Başkan Yardımcısı Jason Zander, BBC’ye yaptığı açıklamada yapay zekanın rolünü şöyle anlattı : “Gelecekte bu tür bilimin bu şekilde yapılacağını düşünüyorum.”

Yeni katı hal elektrolit N2116, geleneksel sıvı veya jel benzeri lityum pillere göre daha sürdürülebilir ve daha güvenli bir alternatifi temsil ediyor.

Microsoft ve Pacific Northwest Ulusal Laboratuvarı’nın (PNNL) araştırması, yapay zekayı yüksek performanslı bilgi işlem (HPC) ile birleştirmeyi içeriyordu.

İşte bu sürecin nasıl işlediğine dair bir döküm:
Potansiyel malzemeleri belirleme : Microsoft Quantum ekibi, kapsamlı bir inorganik malzeme veritabanını analiz etmek için yapay zekayı kullandı. Bundan yola çıkarak, başlangıçta yalnızca birkaç gün içinde yaklaşık 500.000 kararlı malzeme belirlediler.

Adayları daraltma: Microsoft’un Azure Quantum Elements’ını kullanan ekip, araştırmalarını bu 500.000 materyalden pil geliştirme için gelecek vaat eden 18 adaya kadar daha da geliştirdi. Bu süreç yalnızca 80 saatte tamamlandı ve yapay zekanın ne kadar olağanüstü bir hızda çalışabileceğini gösterdi.
Yapay Zekayı HPC ile Birleştirmek Yapay zeka araçları, çeşitli kimyasal elementleri ve bunların kombinasyonlarını değerlendirmek üzere eğitildi. 32 milyonluk devasa bir aday havuzu önerdiler; bu havuz daha sonra kararlılık, tepkisellik ve enerji iletim potansiyeline dayalı olarak farklı yapay zeka araçlarıyla filtrelendi.

Doğrulama için HPC: Bir sonraki aşama, daha fazla doğrulama için HPC’nin kullanılmasını içeriyordu. Buna, her malzemenin enerjisini hesaplamak için yoğunluk fonksiyonel teorisinin kullanılması ve malzemeler içindeki atomların ve moleküllerin hareketlerini analiz etmek için moleküler dinamik simülasyonları da dahildir.

Adayların son seçimi: Bu yoğun hesaplama sürecinin ardından liste 150 adaya kadar daraltıldı. Kullanılabilirlik ve maliyet gibi pratik hususların daha ileri değerlendirilmesi bu sayıyı 23’e düşürdü; bunların beşi zaten biliniyordu.

Prototip geliştirme: Son adım, PNNL bilim adamlarının seçilen malzemeyi sentezlemesini ve onu çalışan bir prototip bataryasına dönüştürmesini içeriyordu. Bu aşama malzemenin işlevselliğini ve uygulanabilirliğini test etmek için çok önemlidir.

Yapay zekanın çok büyük miktarlardaki karmaşık verilerle çalışma ve yeni anlayışları sıfırdan sentezleme yeteneğinin son derece etkili olduğu kanıtlandı.

arj döngüleriyle daha hızlı şarj ve daha fazla enerji yoğunluğu vaat ediyor. N2116, lityumdan daha bol bulunan ve daha ucuz bir element olan sodyumu dahil ederek, verimli enerji depolama ve aktarımını korurken lityum gereksinimlerini azaltır.