es.wedoany.com Noticia: El equipo del profesor Pang Quanquan de la Escuela de Ciencia e Ingeniería de Materiales de la Universidad de Pekín, en colaboración con la Universidad de Tsinghua, el Laboratorio Nacional Lawrence Berkeley (Lawrence Berkeley National Laboratory), la Universidad de Princeton (Princeton University) y SESAICorp., ha introducido un marco de inteligencia artificial de dos etapas que integra aprendizaje activo profundo y transferencia de conocimiento en el desarrollo de electrolitos para baterías de litio-metal, logrando una rápida selección de electrolitos de alto rendimiento y la transferencia de conocimiento de diseño entre escenarios. Los resultados de la investigación se publicaron en línea de forma anticipada el 27 de marzo en Nature Communications.
Las baterías de litio-metal son consideradas la dirección central de desarrollo para el próximo almacenamiento de energía y baterías de potencia debido a su ultra alta densidad de energía teórica, pero problemas como la baja eficiencia culómbica del ánodo de litio-metal y la inestabilidad interfacial han limitado durante mucho tiempo su aplicación a gran escala. El electrolito es un componente clave para regular la interfaz del ánodo y determinar la vida útil de la batería. Su diseño enfrenta un enorme espacio de búsqueda química discreta formado por sales de litio, disolventes, aditivos y concentraciones. El modelo tradicional de desarrollo "por prueba y error" tiene altos costos experimentales y ciclos largos, lo que dificulta su adaptación a escenarios complejos como la introducción de nuevas moléculas y la expansión de formulaciones de alta dimensión.
Para abordar los desafíos del diseño de electrolitos, como "gran espacio de búsqueda, relaciones de rendimiento discontinuas y alto ruido experimental", el equipo de investigación construyó un marco de dos etapas que integra aprendizaje activo profundo (Deep Active Learning, DAL) y codificación estadística de objetivos (Target Statistical Coding, TSC). La primera etapa se centra en un espacio de 720 formulaciones iniciales de electrolitos compuestas por sales de litio, disolventes, aditivos y concentraciones, utilizando aprendizaje profundo con núcleo combinado con el algoritmo de muestreo Thompson para seleccionar inteligentemente muestras experimentales, estableciendo una correlación no lineal entre las formulaciones de electrolitos y la vida útil de las baterías. La segunda etapa, mediante la técnica de codificación estadística de objetivos, codifica explícitamente las correlaciones complejas entre componentes en un sistema de conocimiento de diseño de electrolitos reutilizable y transferible, superando las limitaciones de un único espacio de formulación.
Los resultados experimentales muestran que, en el espacio de 720 formulaciones iniciales, después de solo tres iteraciones de aprendizaje activo profundo y un total de 128 pruebas de baterías, la vida útil promedio de las baterías aumentó de 41.9 ciclos en la fase de selección aleatoria a 125.1 ciclos; la proporción de baterías de vida corta disminuyó del 80.6% al 28.1%, mientras que la proporción de baterías de vida larga aumentó del 9.7% al 40.6%. Las cinco mejores formulaciones de electrolitos seleccionadas mostraron un rendimiento integral significativamente superior al de formulaciones de alto rendimiento publicadas en la literatura del mismo tipo.
El conocimiento de diseño de electrolitos logró una transferencia eficiente entre escenarios. Al expandir las 720 formulaciones iniciales a un espacio candidato de mayor dimensión de 5400, en condiciones de cero muestras, la vida útil promedio de las cinco mejores formulaciones alcanzó 200.6 ciclos, 1.6 veces superior al nivel óptimo del espacio original; en el sistema de batería completa de litio-metal/NCM811, la tasa de retención de capacidad promedio de las formulaciones transferidas después de 100 ciclos fue del 84.0%, superando ampliamente el 58.2% de las formulaciones iniciales; frente a un nuevo espacio de 5760 formulaciones introducido con nuevas moléculas, después de solo una ronda experimental con 32 muestras, la tasa de retención de capacidad promedio después de 150 ciclos aumentó del 24.4% al 56.5%, y la formulación óptima aún mantuvo una tasa de retención de capacidad del 83% después de 250 ciclos.
Este estudio combina el aprendizaje activo profundo con la transferencia de conocimiento, proporcionando un nuevo paradigma de desarrollo inteligente para sistemas de electrolitos con pocas muestras, alta eficiencia y transferibilidad. El artículo de investigación fue completado conjuntamente por la Universidad de Pekín, la Universidad de Tsinghua, el Laboratorio Nacional Lawrence Berkeley, la Universidad de Princeton y SESAICorp., siendo la Universidad de Pekín la primera unidad de correspondencia del artículo. El profesor Pang Quanquan de la Universidad de Pekín, el profesor asociado Jiang Benben de la Universidad de Tsinghua y Xu Kang de SESAICorp. son los autores de correspondencia conjuntos, el Dr. Hong Xufeng, graduado en 2025 de la Universidad de Pekín, es el primer autor, y Wang Xizhe, estudiante de doctorado de la Universidad de Tsinghua, es el co-primer autor. El trabajo de investigación recibió el apoyo de múltiples fondos, incluidos el Programa Nacional Clave de Investigación y Desarrollo, la Fundación Nacional de Ciencias Naturales de China, el Fondo de Investigación Conjunta Tsinghua-Toyota, la Fundación de Ciencias Naturales de Pekín, el Centro Nacional de Investigación en Ciencias de la Información de Pekín y el Proyecto de Cooperación Internacional 111.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
