به گزارش سی‌بوم به نقل از Tech Xplore، پژوهشگران آمریکایی در مطالعه‌ای تازه نشان داده‌اند که یک مدل هوش مصنوعی می‌تواند فرمول کامل الکترولیت باتری را بر اساس اهداف عملکردی مشخص طراحی کند؛ قابلیتی که می‌تواند فرآیند توسعه باتری‌های نسل جدید، به‌ویژه باتری‌های لیتیوم-فلزی را متحول کند.
الکترولیت باتری فقط یک ماده ساده نیست، بلکه مجموعه‌ای پیچیده از نمک‌ها، حلال‌ها و مواد افزودنی است که در کنار هم عمل می‌کنند و ویژگی‌هایی مانند رسانایی یونی، پایداری اکسیداتیو و گران‌روی را تعیین می‌کنند. همین پیچیدگی باعث شده طراحی فرمولاسیون‌های جدید، یکی از دشوارترین بخش‌های پژوهش در حوزه باتری باشد.
در این پروژه، گروهی از پژوهشگران «دانشکده مهندسی مولکولی پریتزکر دانشگاه شیکاگو» از مدلی به نام ElectrolyteGPT استفاده کردند؛ مدلی که برای کار روی ترکیبات مرتبط با الکترولیت آموزش دیده و برخلاف بسیاری از مدل‌های مولد رایج، بر کشف مولکول‌های دارویی متمرکز نیست. این مدل به‌جای پیشنهاد یک ماده منفرد، می‌تواند کل فرمولاسیون را طراحی کند؛ از انتخاب مواد اولیه گرفته تا تعیین غلظت‌ها، نسبت‌های اختلاط و دیگر اجزای ترکیب.
به گفته پژوهشگران، اهمیت این دستاورد در آن است که الکترولیت‌های نسل بعدی باید چندین ویژگی متناقض را به‌طور هم‌زمان برآورده کنند. به‌عنوان مثال، یک ترکیب باید هم از نظر انتقال یونی کارآمد باشد، هم پایداری بالایی داشته باشد و هم از نظر گران‌روی در محدوده مطلوب باقی بماند. این توازن، همان نقطه‌ای است که هوش مصنوعی می‌تواند نسبت به روش‌های سنتی مزیت نشان دهد.
نتایج این پژوهش نشان داده که با استفاده از پیشنهادهای این مدل، چندین ترکیب تازه به دست آمده‌اند که عملکردی هم‌سطح با برخی از بهترین الکترولیت‌های موجود برای باتری‌های لیتیوم-فلزی دارند. پژوهشگران این نتیجه را یک گام مهم می‌دانند، زیرا نشان می‌دهد هوش مصنوعی حالا می‌تواند نه فقط در انتخاب ماده، بلکه در طراحی سیستم‌های شیمیایی پیچیده نیز نقش عملی ایفا کند.

یکی از نکات مهم این پژوهش، ابعاد عظیم فضای جست‌وجو در شیمی باتری است. تخمین زده می‌شود تعداد مولکول‌های بالقوه برای الکترولیت باتری به عددی در حد 106010^{60}1060 برسد؛ عددی فراتر از توان بررسی انسانی یا حتی روش‌های کلاسیک آزمون و خطا. در چنین شرایطی، مدل‌های مولد می‌توانند به نواحی ناشناخته شیمی وارد شوند و ترکیب‌هایی را پیشنهاد دهند که پیش‌تر هرگز ساخته نشده‌اند.
پژوهشگران تأکید کرده‌اند که فرایند کار همچنان نیازمند آزمایش انسانی است. به این معنا که هوش مصنوعی ترکیبات نظری را پیشنهاد می‌دهد، اما در نهایت این پژوهشگران هستند که باید مواد پیشنهادی را در آزمایشگاه بسازند و عملکرد واقعی آنها را ارزیابی کنند. بنابراین، این فناوری فعلاً جایگزین دانشمند انسانی نیست، بلکه سرعت و دامنه اکتشاف را افزایش می‌دهد.

نکته کلیدی دیگر این است که تیم دانشگاه شیکاگو برای رسیدن به این نتیجه، مجموعه داده‌ای اختصاصی از ترکیبات مرتبط با الکترولیت گردآوری کرده است تا مدل فقط در همین حوزه آموزش ببیند. این تصمیم باعث شده خروجی‌های مدل به‌جای شباهت به مولکول‌های دارویی، به ترکیباتی نزدیک شوند که واقعاً برای ساخت الکترولیت باتری کاربرد دارند.
پژوهشگران در مرحله بعدی، مدل را با مجموعه‌ای از معیارهای عملکردی هدایت کردند تا ترکیباتی تولید کند که از ابتدا برای اهداف مشخص مهندسی شده باشند. این رویکرد، مسیر تازه‌ای در توسعه مواد پیشرفته باز می‌کند؛ مسیری که در آن هوش مصنوعی می‌تواند از سطح ایده‌پردازی به سطح طراحی هدفمند مواد برسد.
این پژوهش در مجله JACS Au منتشر شده و می‌تواند یکی از نمونه‌های مهم استفاده از هوش مصنوعی مولد در علم مواد باشد؛ حوزه‌ای که بسیاری آن را یکی از میدان‌های اصلی رقابت فناوری در سال‌های آینده می‌دانند.

ورود هوش مصنوعی به طراحی الکترولیت باتری، تنها یک پیشرفت دانشگاهی محدود نیست؛ بلکه نشانه‌ای از تغییر بزرگ‌تر در علم مواد است. حالا مدل‌های مولد می‌توانند از پیشنهاد مولکول‌های پراکنده عبور کنند و به طراحی فرمول‌های پیچیده و چندمتغیره برسند. اگر این روند ادامه پیدا کند، توسعه باتری‌های قوی‌تر، پایدارتر و کارآمدتر می‌تواند با سرعت بیشتری پیش برود. با این حال، مرحله آزمایشگاهی و تأیید عملی همچنان تعیین‌کننده است و موفقیت نهایی این مدل‌ها به توان آنها در عبور از دنیای نظری به کاربرد واقعی بستگی دارد