Los científicos están corriendo contra el tiempo para tratar de crear una fuente de energía revolucionaria y sostenible (como baterías de estado sólido) para abordar el cambio climático. Sin embargo, esta carrera es como un maratón más, ya que el enfoque tradicional es una prueba de prueba y error en la naturaleza, que generalmente se centra en probar contenido individual y establecer el camino uno por uno. Para llevarnos a la línea de meta más rápida, los investigadores de la Universidad de Tohuko desarrollaron un marco de IA con potencia de datos que identifica candidatos de electrolitos de estado potencialmente sólidos (SSE) que pueden ser “uno” para crear una solución de energía sostenible ideal.
Este modelo no solo elige más candidatos, sino que también puede predecir cómo será la reacción y por qué este candidato es una buena opción.
Estos resultados fueron publicados en Edición internacional de química aplicada El 17 de abril de 2025.
El profesor Hao Lee (Instituto Advanced para la Investigación de Contenido) describe: “El modelo funciona principalmente para nosotros en una prueba y error”. “Se basa en estudios anteriores a una gran base de datos de estudios anteriores para encontrar todas las opciones posibles y encontrar el mejor candidato para el SSE”.
Este procedimiento es un marco de IA impulsado por datos importante que conecta modelos de lenguaje grande (LLM), metad, regresión lineal múltiple, algoritmo genético y análisis de evaluación comparativa de la experiencia teoría. Básicamente, los modelos de predicción se basan en datos experimentales y computacionales. Computation, la investigación proporciona a los investigadores un plomo sólido, que puede ser el resultado más exitoso de la vía.
Uno del propósito de este estudio fue comprender la relación de rendimiento de la estructura SSE. El modelo predice la activación de la energía, indica una estructura cristalina estable y mejora el flujo de trabajo de los científicos en su conjunto. Sus resultados muestran que AB Anevio Metud representa una técnica computacional máxima que muestra un alto nivel de contrato con datos experimentales complejos de SSE Hydroid SSE.
Además, identificó un nuevo procedimientos de migración de iones “dos pasos” en el SSE hidroide monolante y delant creado por la inclusión de grupos moleculares. Aprovechando el análisis de características junto con la regresión lineal múltiple, desarrollaron con éxito los modelos predictivos exactos para el diagnóstico rápido del rendimiento del SSE hidroide. En particular, el marco propuesto también permite predicciones precisas de los candidatos sin depender de las entradas experimentales. En conjunto, este estudio proporciona las ideas y los métodos innovadores de transformación de la transformación del diseño y corrección efectivos de la próxima generación de baterías de estado sólido, lo que juega un papel importante en las soluciones de energía sostenible.
Los investigadores tienen la intención de expandir la aplicación de este marco en diversas familias de electrolitos. También usan para herramientas productivas de IA que pueden encontrar rutas de migración y procedimientos de reacción, mejorando así la capacidad de predicción de la plataforma.
Los resultados clave experimentales y computacionales están disponibles en la base de datos dinámica de electrolito de estado sólido (DDSE) desarrollado por el equipo Hao Lee, que es la base de datos de electrolitos de estado sólido más grande hasta la fecha.
