Näin toimii koneoppiminen

Koneoppimisen käyttäminen lupaavien tutkimussuuntien tunnistamiseen on kasvava trendi materiaalitieteessä, koska se voi auttaa tutkijoita merkittävästi vähentämään uusien materiaalien seulomiseen tarvittavien kokeiden määrää ja aikaa.

Koneoppiminen voisi nopeuttaa seuraavan sukupolven akkujen kehitystä, sillä ne voivat mullistaa energian varastointiteknologiat kaikkialla.

Sellaista ovat käyttäneet professori Shinichi Komaban johtama tutkimusryhmä, johon kuului tutkijoita Tokyo University of Sciencesta sekä Chalmersin teknillisestä yliopistosta ja Nagoya Institute of Technologystä.

He hyödynsivät koneoppimista tehostamaan lupaavien koostumusten hakua Natrium-ioni akkujen positiivisessa elektrodissa tarvittavien materiaalien koostumuksen arviointiin. Niissä tarvittavien useista siirtymämetalleista koostuville monielementtisille kerrosoksideille mahdollisten yhdistelmien suuri määrä tekee optimaalisen koostumuksen löytämisestä sekä monimutkaista että aikaa vievää.

Tutkijaryhmä pyrki automatisoimaan alkuainekoostumusten seulonnan erilaisissa NaMeO₂:n O3 -tyyppisissä materiaaleissa. Tätä tarkoitusta varten he kokosivat ensin tietokannan 100 näytteestä O3-tyyppisistä natriumpuolisoluista 68 eri koostumuksella, jotka Komaban ryhmä on kerännyt 11 vuoden aikana.

Tietokanta sisälsi NaMeO₂ -näytteiden koostumuksen, jossa Me siirtymämetalleja olivat esimerkiksi Mn, Ti, Zn, Ni, Zn, Fe ja Sn sekä lataus-purkaustestien ylä- ja alajänniterajat , alkupurkauskapasiteetti, keskimääräinen purkausjännite ja kapasiteetin säilyminen 20 jakson jälkeen", Komaba selittää.

Tämän jälkeen tutkijat käyttivät tietokantaa kouluttaakseen mallia, joka sisälsi useita koneoppimisalgoritmeja sekä Bayesin optimoinnin tehokkaan haun suorittamiseksi.

Tämän mallin tavoitteena oli oppia, miten ominaisuudet, kuten käyttöjännite, kapasiteetin säilyvyys (elinikä) ja energiatiheys liittyvät NaMeO₂ -kerrosoksidien koostumukseen, ja ennustaa optimaalinen alkuaineiden suhde, joka tarvitaan saavuttamaan haluttu tasapaino näiden ominaisuuksien välillä.

Tulosten analysoinnin jälkeen ryhmä havaitsi, että malli ennusti Na[Mn_0,36 Ni_0,44 Ti _0,15 Fe _0,05 ]O₂:n olevan optimaalinen koostumus korkeimman energiatiheyden saavuttamiseksi, mikä on yksi elektrodimateriaalien tärkeimmistä ominaisuuksista. Näin saavutettiin korkea energiatiheys 549 Wh / kg aktiivista materiaalia, mikä on yhtäpitävä ennustetun arvon kanssa.

Varmistaakseen mallin ennusteen tarkkuuden he syntetisoivat näytteitä tällä koostumuksella ja kokosivat standardinmukaisiakolikkokennoja suorittaakseen lataus-purkaustestejä. Mitatut arvot vastasivat pääosin ennustettuja arvoja, mikä korosti mallin tarkkuutta ja sen mahdollisuuksia uusien akkumateriaalien tutkimiseen.

"Tutkimuksemme mukainen lähestymistapa tarjoaa tehokkaan menetelmän lupaavien koostumusten tunnistamiseen laajasta valikoimasta potentiaalisia ehdokkaita", Komaba huomauttaa, "Lisäksi tämä menetelmä on laajennettavissa monimutkaisempiin materiaalijärjestelmiin, kuten kvinaariset siirtymämetallioksidit."

Aiheesta aiemmin:

Konenäön visioita ja vaaroja

Koneoppiminen etsii uusia materiaaleja