Con el auge de los vehículos eléctricos y las energías renovables, la demanda mundial de baterías está aumentando rápidamente. Sin embargo, las baterías de litio actuales se enfrentan a desafíos como la escasez de recursos, las cadenas de suministro concentradas y el elevado consumo de agua durante su extracción, lo que limita el desarrollo sostenible de la transición energética. Para superar estos obstáculos, los científicos están aprovechando el poder de las supercomputadoras y la inteligencia artificial para acelerar la búsqueda de materiales para baterías de próxima generación basados en metales abundantes como el magnesio, el zinc y el aluminio.
Tabla de contenido
Desafíos de la cadena de suministro de baterías de litio
El litio, aclamado como el «oro blanco», es actualmente el material más importante para las baterías. Sin embargo, su escasez encarece su suministro y lo hace vulnerable a las influencias geopolíticas. Esto obliga a los países de todo el mundo a afrontar los riesgos de la cadena de suministro mientras promueven la adopción de vehículos eléctricos y la transición energética.
Además, la extracción de litio supone una gran carga para el medio ambiente. Tan solo la extracción mediante estanques de evaporación consume millones de galones de agua, lo que provoca un impacto significativo en los ecosistemas de las regiones áridas. Estas realidades hacen que la búsqueda de materiales alternativos al litio sea una dirección inevitable en el desarrollo de las tecnologías energéticas.
Encontrar alternativas al litio
Los científicos han comenzado a estudiar otros metales más comunes, como el magnesio, el zinc y el aluminio. Estos metales son extremadamente abundantes en la Tierra, están ampliamente distribuidos y son relativamente económicos. Su aplicación a las baterías de próxima generación no solo podría reducir la dependencia del litio, sino también hacer que las tecnologías de almacenamiento de energía sean más sostenibles.
El potencial de estas baterías metálicas radica en sus propiedades de iones multivalentes. En comparación con el litio, las baterías de iones multivalentes pueden almacenar más energía por unidad de volumen, lo cual es de gran importancia para la autonomía de los vehículos eléctricos y la estabilidad de la red eléctrica.
El papel de la supercomputadora: Expansión del SDSC
En esta exploración de materiales, las supercomputadoras se han convertido en una herramienta indispensable. El sistema EXPANSE, proporcionado por la Fundación Nacional de Ciencias (NSF) y ubicado en el Centro de Supercomputación de San Diego (SDSC), permite a los investigadores simular y evaluar una gran cantidad de posibles estructuras de materiales.
Estas plataformas informáticas de alto rendimiento pueden procesar grandes cantidades de datos, simular rápidamente la estabilidad y el rendimiento de los materiales en diferentes condiciones, ayudar a los científicos a acortar los ciclos experimentales y acelerar significativamente el proceso de investigación y desarrollo de nuevos materiales para baterías.
Ventajas y desafíos de las TMO
El equipo de investigación se centró en los óxidos de metales de transición (TMOs). Estos materiales presentan una gran diversidad estructural, ofrecen una excelente conductividad iónica y pueden albergar diversos portadores de carga, lo que los convierte en candidatos ideales para baterías de iones multivalentes.
Sin embargo, precisamente debido a la compleja composición química y estructura cristalina de los óxidos de metales de transición (TMOs), los métodos de exploración tradicionales suelen ser como buscar una aguja en un pajar, lo que dificulta encontrar rápidamente la combinación más adecuada en el vasto espacio de materiales. Es precisamente en este ámbito donde la inteligencia artificial puede brillar con luz propia.
Aplicación de modelos de IA
Los investigadores están combinando múltiples modelos de IA generativa para llevar a cabo una exploración de materiales sin precedentes:
- Autoencoder variacional de difusión cristalina (CDVAE): capaz de generar un gran número de estructuras cristalinas candidatas, que abarcan una amplia gama de espacios químicos.
- Modelos de lenguaje a gran escala (LLM): Añaden propiedades ideales a la estructura generada para seleccionar materiales que estén más cerca del equilibrio termodinámico y sean más fáciles de sintetizar.
- Red neuronal gráfica atómica (ALIGNN): Predice con precisión la estabilidad electrónica y termodinámica de los materiales, lo que ayuda a reducir el rango de selección.
Gracias a la colaboración entre estos modelos, el equipo puede identificar eficazmente los materiales candidatos con mayor potencial de aplicación, evitando el alto coste y la baja eficiencia de los experimentos tradicionales.
Un proceso de selección de uno entre diez mil
Inicialmente, el sistema de IA generó aproximadamente 20.000 estructuras candidatas (aproximadamente 10.000 para CDVAE y 10.000 para LLM). Tras múltiples niveles de selección y simulación, el número final se redujo a 42 para CDVAE y 13 para LLM.
Cabe destacar que ambos métodos tienen sus ventajas. Las estructuras generadas por LLM son más fáciles de sintetizar en el laboratorio, mientras que CDVAE proporciona materiales de no equilibrio más innovadores, que podrían convertirse en un avance clave para las futuras baterías.
Estructuras candidatas más prometedoras
El equipo de investigación identificó finalmente cinco de las estructuras TMO más estables. Estas estructuras comparten las siguientes características:
- Con un marco de túnel abierto
- Capaz de alojar eficazmente iones multivalentes
- Presenta una buena estabilidad estructural y termodinámica en las pruebas de simulación.
Mediante cálculos de teoría del funcional de la densidad (DFT, por sus siglas en inglés), los investigadores verificaron aún más su viabilidad en la práctica, demostrando que estos materiales son realmente prometedores para su uso en baterías de próxima generación.
Soporte y perspectivas
El profesor asociado Datta del NJIT destacó que el programa ACCESS de la NSF es fundamental para la investigación, describiéndolo como «tan esencial como el oxígeno». Sin estos recursos computacionales, sería difícil llevar a cabo estos estudios innovadores.
Gracias al continuo avance de la IA y las supercomputadoras, nos encaminamos gradualmente hacia un futuro que ya no dependa del litio. Esto no solo reducirá el impacto ambiental, sino que también podría ofrecer una solución más segura, estable y sostenible para la transición energética global.
Fuente:
- ¿Hay esperanza para la crisis de las baterías? La IA ayuda a descubrir un misterioso material metálico que podría reemplazar al litio.
- SDSC：利用 GenAI 探索新一代電池材料
En términos de molienda, ofrecemos ajustes personalizados y podemos ajustar la proporción según los requisitos de procesamiento para lograr la máxima eficiencia.
Bienvenido a contactarnos, tendremos alguien para responder sus preguntas.
Si necesita un presupuesto personalizado, póngase en contacto con nosotros.
Horario de atención al cliente: lunes a viernes de 09:00 a 18:00
Teléfono: 07 223 1058
Si tienes alguna duda o pregunta sobre el número de teléfono, no dudes en enviar un mensaje privado a Facebook~~
Facebook de Honway: https://www.facebook.com/honwaygroup
Artículos que te pueden interesar…
[wpb-random-posts]
