Найден новый материал для аккумуляторов

Нейросеть Microsoft нашла, из чего еще можно делать аккумуляторы

Наука – это трудоемкий процесс. От идеи до исследований и тестирования могут пройти годы и даже десятилетия. Это касается, в частности, разработки аккумуляторов. Но искусственный интеллект (нейросети) облачные вычисления заметно ускоряют процесс. В Microsoft рассказали о том, что с помощью Azure Quantum Elements (AQE) Тихоокеанская северо-западная национальная лаборатория смогла определить новую смесь материалов, которая потенциально может снизить содержание лития в аккумуляторах (кстати, несмотря на слово Quantum в названии нейросети, квантовые вычисления не использовались. Литий – относительно редкий, дорогой и экологически опасный материал. Более того, изготовление из него аккумуляторов – энергоемкий процесс. А еще литиевые аккумуляторы отлично горят. Поэтому чем меньше лития в аккумуляторах, тем лучше. И тут нужны гипотезы альтернативных подходов, выработать которые можно перелопатив огромные массивы данных. У человека на это уйдет жизнь, но искусственный интеллект справился с задачей гораздо быстрее и представил 32 миллиона (!) неорганических материалов, потенциально пригодных для использования в аккумуляторах. Исследователи исключили из списка нестабильные комбинации, слишком реактивные и другие непригодные варианты. В конечном итоге список потенциальных химикатов сократился с 32 миллионов до примерно 500 000, а затем – до 800. Более того, с новыми вводными нейросеть сократила количество материалов с 800 до 23 всего за 80 часов. При этом пять материалов науке уже известны. В результате круг сузился до одного многообещающего кандидата, состоящего из лития, натрия и некоторых других элементов.  Новый материал содержит примерно на 70% меньше лития, чем современные аккумуляторы (его частично заменяет недорогой натрий). Брайан Абрахамсон, директор по цифровым технологиям PNNL, предупредил, что процесс разработки все еще находится на ранней стадии, и точный химический состав подлежит оптимизации. Существует вероятность, что при тестировании материал может работать не так, как ожидалось.