# ИИ как «цифровой алхимик»: как в Royal Institution изобретают батареи будущего

Источник: https://www.youtube.com/watch?v=vCLODAUbzHs
Канал: The Royal Institution
Опубликовано: 14.08.2026

---

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
[[JUMP:00:08]]

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 [1:00]. 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 [3:07]. 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 [3:53]. 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
[[JUMP:07:18]]

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 [9:43], 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 [10:36].
*   **Масштаб поиска:** количество возможных комбинаций элементов и их расположения в пространстве превышает гугол ($10^{100}$) [12:43]. Для сравнения: количество атомов во всей Вселенной оценивается примерно в $10^{80}$ [12:56]. 

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 [15:47]. 

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 [21:29]. 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 [23:02].

## 📊 Mona Faraji Niri: Форензика системного уровня
[[JUMP: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 [27:46]. 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 [29:29].
*   **Производственные нюансы:** процесс создания батареи включает 114 этапов и более 600 контролируемых параметров (температура, скорость смешивания и др.) [30:50].
*   **Окружающая среда:** влажность и температурные колебания [31:03].

Проблема предсказания срока службы — это «вопрос на миллиард долларов» [32:50]. 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 [33:41]. 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) [38:07]. 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 [40:15].

## ⚙️ Сэм Купер: Микроструктура — «недостающее звено»
[[JUMP: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 [45:14]. 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 [46:47].

ИИ помогает в четырех направлениях:

1.  **Характеристика:** ИИ-модель DinoV2 от компании Meta используется для сегментации изображений с микроскопов, мгновенно отличая активный материал от пор [47:50].
2.  **Генерация:** метод, разработанный студентом Стивом Кенчем, позволяет воссоздавать трехмерную структуру электрода на основе одного 2D-снимка, ускоряя работу в 100 раз [49:51].
3.  **Дизайн:** оптимизационные циклы помогают найти идеальные параметры производства для создания лучшей микроструктуры [50:30].
4.  **Валидация:** использование роботов в лабораториях. «Роботы не устают», — отмечает Купер [51:34]. 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» [53:19], что станет финальным этапом в создании батарей нового поколения.