В стенах Королевского института (The Royal Institution), где 200 лет назад Гемфри Дэви и Майкл Фарадей закладывали основы электрохимии, сегодня разворачивается новая научная революция. Ведущие ученые из Имперского колледжа Лондона и Уорикского университета представили обзор того, как искусственный интеллект трансформирует создание батарей — от проектирования новых кристаллов на атомном уровне до предсказания срока службы аккумуляторов в электромобилях.
⚡️ От Фарадея до ИИ: новая эра электрохимии 0:08
Джеймс Ле У, открывая встречу, подчеркивает преемственность поколений: именно в этой лекционной аудитории Гемфри Дэви впервые использовал электричество как инструмент для разложения материи, открыв калий и натрий . Сегодня те же элементы лежат в основе современных аккумуляторов, но методы их изучения радикально изменились.
За последние 10 лет батареи превратились из компонентов потребительских гаджетов в критически важную часть национальной инфраструктуры . Они необходимы для стабилизации энергосетей при использовании возобновляемых источников энергии, электрификации авиации и работы дата-центров. Однако внутри каждой батареи скрывается «микроскопический хаос»: ионы, перемещаясь между электродами тысячи раз, вызывают расширение, растрескивание и деградацию материалов . Искусственный интеллект становится инструментом, позволяющим распутать этот сложный клубок физических и химических процессов, ускоряя научный поиск в десятки раз.
🧪 Аарон Уолш: Цифровая алхимия и поиск в бесконечности 7:18
Аарон Уолш, профессор Имперского колледжа Лондона и сооснователь CuspAI, называет ИИ «цифровым алхимиком». Если Дмитрий Менделеев в XIX веке смог предсказать свойства еще не открытых элементов на основе их атомного веса , то современные модели машинного обучения оперируют массивами данных, накопленными за столетия.
По словам Уолша, главные вызовы в материаловедении сегодня:
- Избыток данных: миллионы опубликованных работ и кристаллических структур невозможно проанализировать человеку, но ИИ кодирует эту информацию в многомерные векторы, понятные компьютеру .
- Масштаб поиска: количество возможных комбинаций элементов и их расположения в пространстве превышает гугол ($10^{100}$) . Для сравнения: количество атомов во всей Вселенной оценивается примерно в $10^{80}$ .
Уолш утверждает, что ИИ позволяет не просто перебирать варианты, а целенаправленно искать материалы с заданными свойствами — например, катоды без содержания кобальта (что важно для экологии и снижения стоимости) или твердые электролиты для повышения безопасности .
Особое внимание Уолш уделяет «ИИ-соученым» (co-scientists). В его лаборатории был разработан проект Crystallize — агент, способный самостоятельно изучать литературу, выдвигать гипотезы и запускать симуляции, выполняя задачи уровня аспиранта . Однако, как показал живой демо-показ системы Mira от CuspAI, ИИ всё еще нуждается в «проверке реальностью»: на запрос создать батарею с фантастически высоким напряжением агент ответил скептически, указав, что такие параметры выходят за рамки известных физических пределов .
📊 Mona Faraji Niri: Форензика системного уровня 25:06
Исследовательница из Уорикского университета Mona Faraji Niri фокусируется на «системном масштабе» — от управления батареями до их интеграции в электросети. По её словам, аккумуляторы начинают «умирать» еще до того, как пользователь впервые их зарядит . Каждая зарядка оставляет микроскопические «шрамы» на структуре материала, что постепенно снижает емкость.
Niri выделяет ключевые факторы, влияющие на жизнь батареи:
- Стиль вождения: агрессивное ускорение и торможение .
- Производственные нюансы: процесс создания батареи включает 114 этапов и более 600 контролируемых параметров (температура, скорость смешивания и др.) .
- Окружающая среда: влажность и температурные колебания .
Проблема предсказания срока службы — это «вопрос на миллиард долларов» . К 2035 году спрос на батареи только в Великобритании будет таков, что если сложить все произведенные ячейки в одну линию, её длины хватит, чтобы слетать до Луны и обратно . Человек не способен связать сотни факторов деградации воедино, но ИИ справляется с этим, анализируя миллиарды точек данных с датчиков напряжения и температуры.
Niri продвигает концепцию «физико-информированного ИИ» (physics-informed AI) . Вместо того чтобы полагаться только на «черный ящик» нейросети, ученые внедряют в алгоритмы известные физические уравнения. Это позволяет предсказывать состояние батареи на 15 лет вперед всего за один-два месяца тестов в лаборатории .
⚙️ Сэм Купер: Микроструктура — «недостающее звено» 43:26
Сэм Купер из Имперского колледжа Лондона объясняет, почему атомов и систем недостаточно. Между ними лежит микроструктура (от 10 нанометров до 100 микрон) — то, как частицы материала и поры расположены в реальности.
Купер приводит аналогию: внутри батареи одновременно находятся около триллиона ионов лития, которые конкурируют за пути перемещения . Если пористая сеть электрода спроектирована неправильно, ионы «толкаются», что замедляет зарядку. Традиционное физическое моделирование здесь бессильно — процессы сушки, смешивания и прессования электродов слишком сложны для обсчета классическими методами .
ИИ помогает в четырех направлениях:
- Характеристика: ИИ-модель DinoV2 от компании Meta используется для сегментации изображений с микроскопов, мгновенно отличая активный материал от пор .
- Генерация: метод, разработанный студентом Стивом Кенчем, позволяет воссоздавать трехмерную структуру электрода на основе одного 2D-снимка, ускоряя работу в 100 раз .
- Дизайн: оптимизационные циклы помогают найти идеальные параметры производства для создания лучшей микроструктуры .
- Валидация: использование роботов в лабораториях. «Роботы не устают», — отмечает Купер . Они могут собирать сотни тестовых ячеек с идеальной точностью, одновременно фиксируя каждый параметр (вес, фото, условия), что не под силу даже самому прилежному студенту.
По мнению Купера, именно ИИ сделает микроструктуру «видимой, проектируемой и контролируемой» , что станет финальным этапом в создании батарей нового поколения.
