人工智能引导的实验确定了更好的储能解决方案

Josiah02

大海捞针是一项典型的不可能任务。但如果新工具能够让这一任务变得简单易行，情况会怎样？想象一下，如果你不用手动搜索所有内容，而是可以把干草分成小堆，然后使用磁铁。
人工智能（AI）可以充当科学解决方案的磁铁，从大量的可能性中提取重要信息。
但人工智能能做的有限。如果大海捞针太大，即使是最强大的系统也会受阻。有效使用人工智能需要在这个过程中明智地运用领域科学专业知识。一个科学家团队将人工智能、高通量实验和材料科学知识结合在一起，以加快发现过程。
这种组合很有效。由太平洋西北国家实验室 (PNNL) 和阿贡国家实验室的研究人员领导的研究小组确定了溶剂组合，这些溶剂可以溶解三倍以上的化合物，而这种化合物被提议用于节能氧化还原液流电池。
他们成功将搜索范围迅速缩小到不到 10% 的可能组合。研究结果发表在《自然通讯》上。
该团队由背景互补的专家组成，他们都致力于打造一个可以智能地进行高通量实验的平台。他们探索了一系列有机溶剂混合物，以设计出一种用于氧化还原基液流电池的最佳电解质系统。
液流电池通过将电解质（溶解有化学物质的液体溶液）从外部储罐泵入中央电池堆来产生电能。图片来源：太平洋西北国家实验室
“人们通常将自动化系统视为一种加速发现的方法，因为它可以大幅增加可以进行的实验数量，”PNNL 材料科学家、论文共同通讯作者 Vijay Murugesan 说道。“我们希望利用人工智能进行科学研究，以更高的效率加快发现速度。”
虽然该平台专门针对用于储能的电解质混合物，但一般过程可以应用于其他系统。研究人员表示，这对于在受限系统中存在大量潜在解决方案的问题最为有用。
用于人工智能的高通量数据
高通量实验团队并非独立进行实验，而是收集数据来填补人工智能团队算法的空白。通常，人工智能模型所需的数据类型在实验室系统中是无法获得的。然后必须根据计算结果对算法进行训练，这可能会导致额外的偏差。
在实验方面，确定最佳溶剂混合物是一项艰巨的任务。“我们确定了 2,000 种可能的组合，”共同通讯作者、PNNL 高通量实验专家 Yangang Liang 说道。
“即使使用我们的机器人系统，测试这么多组合也是不切实际的。虽然机器人可以更快地进行实验，但它仍然需要化学品和能源。”
为人工智能生成数据并接受其指导的高通量实验系统。图片来源：安德里亚·斯塔尔 (Andrea Starr) | 太平洋西北国家实验室
即使没有 AI，要找出最有希望的方案也需要数百次实验。为了缩小搜索范围，该团队根据 AI 模型训练集中已知的差距确定了初始数据收集目标。
将高保真实验数据输入模型可以得到更好的训练系统，进而为下一轮实验做出更好的预测。
“我们的方法非常高效，”Murugesan 说道。“我们利用高吞吐量和人类直觉来更好地训练人工智能。”
协作数据的力量
此次合作的成果有两个方面：首先是确定溶剂混合物，这是这项工作的科学目标。其次是从实验数据中创建高保真数据集。该团队希望其他人能够利用这些数据进行未来的工作，而不仅仅是探索有机氧化还原液流电池的溶剂混合物。
“我们有意采用这种方法来创建高保真数据，以帮助建立更好的预测模型，”Murugesan 说。“我们的流程得益于我们团队的广泛专业知识，这得益于能源部对中心规模工作的投资。中心专门研究这类需要多学科共同参与的雄心勃勃的想法。”
该项目得到了 2018 年至 2023 年期间六个国家实验室和 10 所大学的储能研究项目的支持。
“这项工作的灵感确实来自已故的 JCESR 创始董事乔治·克拉布特里，”穆鲁格桑说。“我们向他提出了利用 PNNL 高通量能力进行电解质发现的想法，但他鼓励我们放宽思路，与 AI 团队合作。
“通过他的启发，我们了解到，通过整合人工智能模型和机器人平台，我们可以更快地产生有影响力的成果。”
迈向自动驾驶实验室
该团队生成的材料信息数据是创建有效 AI 系统所必需的类型，该系统将推动自主实验室空间中的实验循环。“我认为这些类型的工作流程是材料发现新范式的核心，”领导 AI 工作的共同通讯作者 Hieu Doan 说道。
“我很高兴看到人工智能研究人员和材料科学家之间的合作未来，”该论文的合著者、物理和计算科学理事会项目开发办公室主任卡尔·穆勒补充道。“加速材料发现对于解决储能问题至关重要。”
除了 Liang、Murugesan 和 Mueller，来自 PNNL 的 Juran Noh 和 Heather Job 也为该项目做出了贡献。阿贡团队包括 Doan、Lily Robertson、Lu Zhang 和 Rajeev Assary。这项工作的许多合作者都是新成立的能源存储研究联盟能源创新中心的成员。