本文为1219字，建议阅读4分钟
新型电池的开发是一项极其重要的全球挑战，这是一个劳动密集型的过程。在人类规模上合成和测试材料从根本上是有局限性的，微软近日与美国太平洋西北国家实验室（PNNL）开展合作,利用AI和高性能计算技术在极短的时间（发现10天，加上合成测试大概3个月时间）内发现一种新型电池材料，以前这种过程可能需要几十年时间
为了取得这些成果，微软的Azure Quantum团队将云驱动的高性能计算与新的人工智能模型相结合，这些模型能够估算与能量、力、应力、电子带隙和机械性能有关的材料特性。这些模型经过了从材料模拟中获得的数百万数据点的训练，因此能够最小化高性能计算，并比传统密度泛函理论（DFT）计算快1500倍。
科研人员从3260万个候选材料开始，通过用周期表子集中的元素替代已知晶体结构中的元素来创建。
第一阶段的筛选——使用了人工智能模型。从最初的3260万种材料中，发现有500,000种材料被预测为稳定的。使用人工智能模型对这些材料进行了筛选，以获取诸如氧化还原电位和带隙等功能性属性，进一步将潜在候选者的数量减少到约800种。第二个筛选阶段结合了物理模拟和人工智能模型。微软Azure HPC用于DFT计算，以确认来自人工智能筛选的属性。由于人工智能模型存在非零预测误差，因此DFT验证步骤用于重新计算人工智能模型预测的更高精度过滤器的属性。此步骤后跟分子动力学（MD）模拟以建模结构变化。
接下来，微软量子研究人员使用了加速的人工智能分子动力学模拟来研究离子扩散等动态属性。这些模拟使用人工智能模型在每个MD步骤中的力，而不是较慢的基于DFT的方法。此阶段将候选者数量减少到150种。然后，考虑了实用特征，如新颖性、机械性能和元素可用性，以创建18个顶级候选者的集合。
通过应用PNNL团队基于专家标准开发的最终一组AI属性预测过滤器，电解质在将AI筛选的一系列材料后被识别。从那里，PNNL的专业知识为进一步缩小最终结构候选者提供了见解。然后，PNNL的研究人员合成了顶级候选者，表征了其结构，并测量了其电导率。新的电解质候选者与现有的锂离子电池相比，使用的锂约少70％
在一系列温度测试中，新化合物表现出可行的离子电导率，表明其作为固态电解质材料的潜力。在验证了钠-锂化学成分的导电性后，PNNL研究团队通过建造一个在室温和高温（约80°C）下测试的全固态电池来展示电解质的技术可行性。
令人惊讶的结果
人工智能推导出的材料是一个固体电解质（更安全）。 在电解质中,离子在阴极和阳极之间穿梭,理想情况下,阻力最小。
人们认为钠离子和锂离子由于同电荷但尺寸不同,无法在固体电解质系统中一起使用,因为固体电解质材料的结构框架无法支持两种不同离子的运动。 但在测试后发现钠离子和锂离子似乎能够相互助攻，这是以前不为人知的，这种高效的人工智能和计算模式正在开启科技发现的新纪元
结语
最重要的是我们获得了 AI 的洞察力，依赖人工智能的洞察可以更快地指引我们进入潜在丰富的领域，这种洞察力可以扩展到无穷多个领域
⭐星标AI寒武纪，好内容不错过⭐
用你的赞和在看告诉我～
AI万金油？👇👇