سولارابيك، الولايات المتحدة الأمريكية- 7 مايو 2025: طوّر فريق بحثي أمريكي من كلية بريتزكر للهندسة الجزيئية بجامعة شيكاغو إطارًا يعتمد على الذكاء الاصطناعي يُحدث نقلة نوعية في سرعة تطوير بطاريات الجيل القادم، ويهدف هذا الإطار إلى تحديد الجزيئات ذات الخصائص المثالية لتكوين الكهرليت (المحلول الكهربائي) المستخدم في هذه البطاريات. يقود هذا الجهد البحثي الدكتور ريتيش كومار، زميل ما بعد الدكتوراه بمختبر أمانشوكو، حيث ابتكر وفريقه مقياسًا فريدًا يُعرف بـ “الدرجة الإلكترونية” (eScore) لتقييم وتصنيف جزيئات الكهرليت المرشحة. يُقيّم النظام، بالاعتماد على الذكاء الاصطناعي والتعلم الآلي، الجزيئات عبر ثلاثة معايير أداء حاسمة يصعب غالبًا تحقيق التوازن بينها، وهي: الناقلية الأيونية، واستقرار الأكسدة، والكفاءة الكولومبية. ويساعد هذا النظام في التغلب على المقايضات التقليدية في تطوير الكهرليت، حيث غالبًا ما تفتقر الجزيئات عالية الاستقرار إلى الناقلية الجيدة، والعكس صحيح، مما يفتح الباب أمام تحديد مرشحات تلبي متطلبات أداء متعددة بكفاءة عالية، وبالأخص لتطوير بطاريات السيارات الكهربائية من الجيل التالي التي تستخدم كهرليتات صلبة بهدف مضاعفة مدى خلايا الليثيوم وعمرها التشغيلي.
تدريب مكثف للذكاء الاصطناعي وتحديات البيانات
اعتمد الباحثون في بناء مجموعة بيانات تدريب الذكاء الاصطناعي على تجميع يدوي دقيق لبيانات من أكثر من 250 دراسة علمية متخصصة في أبحاث بطاريات الليثيوم أيون، تمتد هذه الدراسات على مدار أكثر من خمسة عقود. شكلت هذه العملية تحديًا كبيرًا، إذ أن الكثير من المعلومات الجوهرية كانت متوفرة فقط بصيغة صور، مثل الرسوم البيانية والجداول المدمجة ضمن أشكال المجلات العلمية، الأمر الذي استلزم إدخالها يدويًا. وبدأ الفريق في تنظيم هذه البيانات منذ عام 2020، مستخلصًا آلاف المركبات المحتملة. وأوضح أمانشوكو أن النماذج اللغوية الكبيرة الحالية ما زالت تجد صعوبة في استخلاص البيانات من الصور، مما يجعل الإدخال اليدوي ضروريًا بسبب مشكلات التنسيق، حيث تكون المعلومات الأساسية غالبًا مدمجة في الصور وليس في النصوص.
نتائج واعدة وآفاق مستقبلية
أظهر نظام الذكاء الاصطناعي، بعد تدريبه، قدرة على تقييم الجزيئات المرشحة والتنبؤ بأدائها، بما في ذلك جزيئات لم يتعرف عليها مسبقًا. وفي إحدى الحالات اللافتة، نجح النموذج في تحديد جزيء يضاهي في خصائصه أفضل كهرليتات البطاريات التجارية المتوفرة حاليًا. يمثل هذا النهج المبتكر تحولًا جذريًا عن أساليب التجربة والخطأ التقليدية المتبعة في أبحاث البطاريات، خاصةً وأن استكشاف كل تركيبة كهرليت محتملة عبر الاختبارات المعملية وحدها يُعد أمرًا شبه مستحيل، نظرًا لأن عدد الجزيئات المرشحة المحتملة يُقدر بأرقام فلكية قد تصل إلى 1060 جزيء. وشبّه أمانشوكو عمل الذكاء الاصطناعي في هذا المجال بخوارزميات توصية الموسيقى عبر الإنترنت، حيث يتعلم الأنماط للتنبؤ بالجزيئات الواعدة. وأكد أن الخطوة التالية تتمثل في تطوير ذكاء اصطناعي لا يقتصر دوره على اختيار “الأغاني” (الجزيئات) بل يمتد ليشمل “إنشاء قوائم تشغيل” (تصميم جزيئات جديدة كليًا). ورغم الأداء الجيد للنموذج مع الجزيئات المشابهة كيميائيًا للمركبات المعروفة، إلا أنه واجه بعض الصعوبات مع الجزيئات غير المألوفة تمامًا، مما يؤكد أن تدريب النموذج كان مجرد بداية لمسيرة تطوير طويلة.
تابعونا على لينكيد إن Linked-in لمعرفة كل جديد في مجال الطاقة المتجددة والسيارات الكهربائية…
نتمنى لكم يوماً مشمساً!
المصدر: interesting engineering