Искусственный интеллект помогает ускорить исследования и разработки в области литиевых и твердотельных батарей.
Поскольку искусственный интеллект значительно помогает человечеству в различных областях, как он может помочь в выявлении, улучшении и ускорении исследований и разработок в области литиевых батарей и даже твердотельных батарей? Особенно в таких областях, как повышение производительности, расширение температурного диапазона, продление срока службы, безопасность и т.д.?
Мы с удовольствием ответим на ваш вопрос. Искусственный интеллект совершает революцию в исследованиях и разработках литий-ионных батарей (ЛИБ) и особенно твердотельных батарей (ТТБ), преодолевая ограничения медленных, дорогостоящих методов проб и ошибок. Традиционные подходы сталкиваются с огромным пространством химических и структурных решений, сложными механизмами деградации и многомасштабными явлениями — от атомных интерфейсов до поведения целых элементов. Искусственный интеллект — посредством машинного обучения (МО), глубокого обучения, генеративных моделей, обучения с подкреплением, нейронных сетей, основанных на физических принципах, и все более автономного подхода — помогает преодолеть эти проблемы. ИИ-агенты—обеспечивает быструю проверку миллионов кандидатов, прогнозное многомасштабное моделирование, обратное проектирование, оптимизацию с обратной связью и адаптивное управление в реальном времени. Это ускоряет процесс исследований, улучшает ключевые показатели, такие как производительность (плотность энергии/мощности, быстрая зарядка), температурный диапазон, срок службы и безопасность, а также сокращает сроки разработки с лет до месяцев или недель.
Обнаружение и идентификация материалов
Искусственный интеллект значительно расширяет возможности поиска высокоэффективных материалов. Проект Google DeepMind GNoME (с 2023 года) обнаружил 2,2 миллиона новых стабильных кристаллов, включая 528 перспективных проводников ионов лития — в 25 раз больше, чем было известно ранее, — многие из которых имеют отношение к твердотельным литий-ионным батареям. Недавние исследования 2025–2026 годов развивают эту идею: агенты ИИ интегрируют рассуждения, моделирование и планирование для автономного исследования твердых электролитов (сульфидов, оксидов, галогенидов), прогнозируя ионную проводимость, диапазоны стабильности и совместимость интерфейсов. В обзорах освещаются конвейеры скрининга ИИ, силовые поля машинного обучения (MLFF) и генеративные модели, которые идентифицируют распространенные в земной коре составы, балансируя при этом проводимость (>10⁻³ С/см), механическую прочность и электрохимическую стабильность по отношению к металлическому литию.
В случае катодов/анодов литий-ионных аккумуляторов генеративный искусственный интеллект и графовые нейронные сети позволяют выявлять новые структуры (например, пористые оксиды переходных металлов в качестве многовалентных альтернатив). Высокопроизводительное машинное обучение прогнозирует окислительно-восстановительные потенциалы, емкости и фазовую стабильность, заменяя медленные расчеты методом теории функционала плотности (DFT). В твердотельных батареях искусственный интеллект расшифровывает химию межфазной границы, предлагая легирующие добавки/покрытия, подавляющие деградацию.
Повышение производительности
Искусственный интеллект оптимизирует плотность энергии (целевые значения >500 Вт·ч/кг) и скорость разряда. Многомасштабные модели (MLFF + фазово-полевые симуляции) прогнозируют перенос ионов, профили напряжения и морфологию дендритов на ускоренных скоростях. Для твердотельных батарей ИИ идентифицирует быстрые пути переноса ионов Li⁺ (например, посредством инженерии вакансий) и проектирует низкоомные интерфейсы. Обучение с подкреплением в реальном времени на испытательных станциях (Nature 2025) динамически корректирует протоколы, увеличивая суммарную выработку энергии более чем на 250% при высоких состояниях батареи.
Платформы автоматизации проектирования батарей (BDA) сочетают искусственный интеллект с моделированием для комплексной оптимизации — от атомного состава до архитектуры электродов — что позволяет создавать элементы большей емкости и с более быстрой зарядкой.
Расширение температурного диапазона
Широкий диапазон рабочих температур (от -30 °C до +60 °C+) имеет решающее значение для электромобилей и электросетей. Искусственный интеллект извлекает температурные характеристики на ранних стадиях цикла (например, колебания температуры, асимметрия) для прогнозирования поведения в различных условиях, оптимизируя управление температурным режимом. В твердотельных батареях твердые электролиты по своей природе расширяют допустимые значения; модели искусственного интеллекта Рассеивание тепла и разрабатывает материалы с превосходной теплопроводностью. Машинное обучение прогнозирует стабильность интерфейса при термических нагрузках, обеспечивая надежную работу при холодном пуске и снижение потребности в охлаждении.
Продление жизненного цикла
Деградация носит нелинейный характер; ИИ прогнозирует состояние здоровья (SOH) и остаточный срок службы (RUL) на основе ранних данных. В фундаментальной работе Исследовательского института Toyota (TRI) (2019 г. – настоящее время) используются кривые напряжения первых нескольких циклов для классификации длительных/коротких сроков службы с точностью до 95%. Гибридные модели (CNN-LSTM, сети внимания) обеспечивают ошибку определения состояния здоровья менее 1% и низкую среднеквадратичную ошибку для SOH/RUL.
Оптимизация с обратной связью (платформа BEEP от TRI) выбирает оптимальные эксперименты, ускоряя протоколы быстрой зарядки и формирования (основные факторы, влияющие на стоимость). В твердотельных батареях циклирование с использованием искусственного интеллекта в реальном времени (2025 Nature) продлевает срок службы в 2–3 раза за счет подавления реакций на границе раздела. Цифровые двойники — виртуальные копии с искусственным интеллектом — прогнозируют сотни циклов на основе ~50 физических, что позволяет быстро итерировать процесс до достижения цели в 1000+ циклов с минимальной деградацией.
Повышение безопасности
Риски для безопасности (тепловой разгон, дендриты, пожары) снижаются с помощью ИИ. Модели MLFF имитируют рост литиевых дендритов, самовосстановление и подавление давления. В твердотельных батареях ИИ прогнозирует нестабильность межфазной границы, разрабатывает покрытия без дендритов (>500 циклов) и определяет негорючие электролиты. Генеративные модели предлагают стабильные химические составы; мониторинг в реальном времени выявляет предшественники для принятия превентивных мер. Аргоннская национальная лаборатория отмечает стремительный рост популярности ИИ в публикациях, посвященных батареям, связывая микроструктуры с показателями безопасности.
Ускорение НИОКР и более широкое влияние
Агенты искусственного интеллекта создают автономные рабочие процессы: анализ литературы → генерация кандидатов → моделирование → планирование эксперимента → проверка. Самоуправляемые лаборатории и робототехника замыкают экспериментальные циклы. Компании сообщают о значительном сокращении времени тестирования (например, быстрая зарядка с месяцев до недель). Крупные количественные модели (например, SandboxAQ) моделируют деградацию на 95% быстрее.
К числу проблем относятся качество данных, интерпретируемость и валидация, но машинное обучение, основанное на физических принципах, открытые наборы данных и мультимодальные модели позволяют их решить. В 2025–2026 годах экосистемы ИИ для проектирования электролитов/интерфейсов обещают прорыв в области твердотельных батарей, направленный на преодоление препятствий на пути коммерциализации.
В целом, ИИ сжимает десятилетия прогресса: более высокая энергетическая/мощность, более широкий диапазон температурной устойчивости, удвоение/утроение срока службы, практически полная безопасность и снижение затрат. Это ускоряет электрификацию, поддерживает возобновляемые источники энергии и повышает устойчивость — превращая батареи из незначительного шага в революционное достижение. Конечно, перед лицом таких разнообразных потребностей человека, как электромобили, системы хранения энергии, бытовая электроника и даже аэрокосмическая техника, ИИ по-прежнему сталкивается со многими проблемами. Подробное описание мы представим в следующем эпизоде.