Talento

Cientistas de Stanford combinam IA e imagens em escala atômica em busca de melhores baterias
Usando inteligência artificial para analisar grandes quantidades de dados em imagens em escala atômica, os pesquisadores de Stanford responderam a perguntas de longa data sobre um tipo emergente de bateria recarregável que concorre para a química
Por Andrew Myers - 22/02/2022

As baterias recarregáveis ​​de hoje são uma maravilha, mas longe de serem perfeitas. Eventualmente, todos eles se desgastam, gerando substituições caras e reciclagem.

A partir da esquerda, Will Chueh, professor associado; Tanya Jomaa, estagiária
de verão do ensino médio; e Haitao “Dean” Deng, PhD '21. Jomaa, agora
estudante de graduação na Universidade de Yale, trabalhou com Deng
na pesquisa de baterias de titanato de lítio. (Crédito da imagem: Norman Jin)

“Mas e se as baterias fossem indestrutíveis?” pergunta William Chueh , professor associado de ciência e engenharia de materiais da Universidade de Stanford e autor sênior de um novo artigo detalhando uma abordagem analítica inédita para construir baterias melhores que poderiam ajudar a acelerar esse dia. O estudo aparece na revista Nature Materials .

Chueh, autor principal Haitao “Dean” Deng , PhD '21, e colaboradores do Lawrence Berkeley National Laboratory, MIT e outras instituições de pesquisa usaram inteligência artificial para analisar novos tipos de imagens microscópicas em escala atômica para entender exatamente por que as baterias se desgastam. Eventualmente, eles dizem, as revelações podem levar a baterias que duram muito mais do que as atuais. Especificamente, eles analisaram um tipo específico de baterias de íons de lítio baseadas nos chamados materiais LFP, que poderiam levar a veículos elétricos de mercado de massa porque não usam produtos químicos com cadeias de suprimentos restritas.

Nanofraturas

“Pense em uma bateria como uma xícara de café de cerâmica que se expande e se contrai quando aquece e esfria. Essas mudanças eventualmente levam a falhas na cerâmica”, explicou Chueh. “Os materiais em uma bateria recarregável fazem o mesmo cada vez que você a recarrega e depois consome essa eletricidade, levando à falha.”

Representação artística de uma partícula analisada por uma combinação
de aprendizado de máquina, raios-X e microscopia eletrônica.
(Crédito da imagem: Ella Maru Studio)

Na bateria, observou Chueh, não é a temperatura que causa as fissuras, mas a tensão mecânica que os materiais exercem uns sobre os outros a cada ciclo de carga.

“Infelizmente, não sabemos muito sobre o que está acontecendo em nanoescala onde os átomos se ligam”, disse Chueh. “Essas novas técnicas de microscopia de alta resolução nos permitem ver e a IA nos ajuda a entender o que está acontecendo. Pela primeira vez, podemos visualizar e medir essas forças na escala de um nanômetro.”

Chueh disse que o desempenho de qualquer material é uma função tanto de sua química quanto da interação física no material na escala atomística, o que ele chama de “químico-mecânica”. Além do mais, quanto menores as coisas ficam e quanto mais diversos são os átomos que compõem o material, mais difícil é prever como o material se comportará. Digite IA.

Uma ferramenta transformadora

Usar IA para análise de imagens não é novo, mas usá-la para estudar interações atômicas nas menores escalas é. Na medicina, a inteligência artificial tornou-se uma ferramenta transformadora na análise de imagens de tudo, desde joelhos defeituosos a cânceres mortais. Enquanto isso, na ciência dos materiais, novos métodos de microscopia de raios-X de alta resolução, elétrons e nêutrons estão permitindo a visualização direta em nanoescala.

Para o assunto, a equipe escolheu o fosfato de ferro e lítio ou “LFP”, um material bem conhecido usado em eletrodos positivos que está ganhando popularidade entre os fabricantes de carros elétricos e outros negócios que consomem muita bateria. Este eletrodo não contém cobalto e níquel, que são usados ​​em muitas baterias disponíveis comercialmente. As baterias LFP também são mais seguras, embora contenham menos eletricidade por quilo.

Embora a LFP tenha sido estudada por duas décadas, duas questões técnicas importantes só podiam ser adivinhadas até agora. A primeira envolve a compreensão da elasticidade e deformação do material à medida que carrega e descarrega. A segunda diz respeito a como ela se expande e contrai em um regime específico onde a LFP é parcialmente estável, ou “metaestável”.

Deng ajudou a explicar tanto pela primeira vez usando suas técnicas de aprendizado de imagens, que ele aplicou a uma série de imagens bidimensionais produzidas por um microscópio eletrônico de transmissão de varredura, quanto a imagens de raios-X avançadas (espectro-pticografia). As descobertas, disse ele, são importantes para a capacidade, retenção de energia e taxa de uma bateria. Melhor ainda, ele acha que é generalizável para a maioria dos materiais cristalinos que também podem produzir bons eletrodos.

“A IA pode nos ajudar a entender essas relações físicas que são fundamentais para prever o desempenho de uma nova bateria, quão confiável será no uso no mundo real e como o material se degrada ao longo do tempo”, disse Deng.

Novas direções

Chueh chama Deng de “empreendedor acadêmico”. Ele é químico por formação, mas aprendeu sozinho as nuances da inteligência artificial para enfrentar esse desafio. Deng disse que a abordagem é uma forma de “aprendizagem inversa” na qual o resultado é conhecido – imagens estáticas de alta resolução de LFP degradado – e a IA ajuda a reconstruir a física para explicar como ficou assim. Esse novo conhecimento, por sua vez, torna-se a base para o aprimoramento dos materiais.

Deng observou que estudos anteriores sem IA esclareceram as correlações em como as tensões mecânicas afetam a durabilidade do eletrodo, mas essa nova abordagem fornece uma maneira emocionante e a motivação para desenvolver uma compreensão mais fundamental da mecânica em jogo.

Em seguida, os pesquisadores dizem que já estão trabalhando para trazer suas técnicas para elucidar novos projetos de baterias promissores no nível atômico. Um resultado pode ser um novo software de controle de bateria que gerencie o carregamento e o descarregamento de maneira a melhorar a vida útil da bateria. Outro caminho empolgante é o desenvolvimento de modelos computacionais mais precisos que permitem aos engenheiros de baterias explorar materiais alternativos de eletrodos em um computador em vez de em um laboratório.

“Esse trabalho já está em andamento”, disse Chueh. “A IA pode nos ajudar a olhar para materiais antigos de novas maneiras e talvez identificar algumas alternativas promissoras de alguns materiais ainda desconhecidos.”

Chueh também é membro sênior do Instituto Precourt de Energia de Stanford e pesquisador principal do Instituto de Ciências de Materiais e Energia de Stanford . Outros coautores de Stanford não mencionados são Wei Cai , professor de engenharia mecânica; Norman Jin , PhD '21; os alunos de doutoramento Eder Giovanni Lomeli e Rui Yan ; e Jueyi Liu , MS '21. Outros coautores deste estudo são pesquisadores do Massachusetts Institute of Technology, Lawrence Berkeley National Laboratory, University of Lyon, Chungbuk National University e University of California-Berkeley.

Esta pesquisa foi apoiada pelo Toyota Research Institute. Apoio adicional foi fornecido pelo Departamento de Energia dos EUA, Lawrence Berkeley National Laboratory, SLAC National Accelerator Laboratory e National Science Foundation.

 

.
.

Leia mais a seguir