Um estudo recente liderado pelo Professor Seungbum Hong e pela Professora EunAe Cho, do Departamento de Ciência e Engenharia de Materiais do Instituto Avançado de Ciência e Tecnologia da Coreia (KAIST), desenvolveu uma estrutura de inteligência artificial (IA) capaz de prever o tamanho das partículas de materiais catódicos de baterias e, simultaneamente, avaliar a confiabilidade das previsões, mesmo com dados experimentais insuficientes. Espera-se que esta pesquisa acelere o desenvolvimento de materiais para baterias de próxima geração. Os resultados foram publicados na revista acadêmica Advanced Science.
O desempenho e a vida útil das baterias de íon-lítio dependem do material catódico, sendo o tamanho das minúsculas partículas primárias que o constituem um fator crucial. Tamanhos de partículas muito grandes ou muito pequenos podem levar à diminuição do desempenho ou da estabilidade da bateria. Tradicionalmente, a determinação do tamanho ideal das partículas requer inúmeros experimentos envolvendo mudanças repetidas na temperatura, no tempo e nas proporções dos materiais durante a sinterização. No entanto, os dados experimentais são frequentemente incompletos, dificultando a análise sistemática da relação entre as condições do processo e o tamanho das partículas.
Para enfrentar esse desafio, a equipe de pesquisa projetou uma estrutura de IA inovadora. Esta estrutura combina o MatImpute, uma técnica capaz de completar dados experimentais faltantes com base em características químicas, com o NGBoost, um modelo probabilístico de aprendizado de máquina que calcula a incerteza preditiva. Sua característica mais significativa é que ele não apenas fornece o tamanho de partícula previsto, mas também um intervalo de confiança para essa previsão, oferecendo, assim, informações cruciais para a tomada de decisões experimentais. Após o aprendizado por aumento de dados, o modelo atinge uma precisão de previsão de aproximadamente 86,6%, revelando que as condições do processo, como temperatura e tempo de sinterização, têm um impacto maior no tamanho da partícula do que a própria composição do material, o que está de acordo com o conhecimento existente.
Para verificar a confiabilidade das previsões da IA, a equipe, mantendo uma proporção fixa na composição do material NCM811, selecionou quatro condições de síntese não incluídas no conjunto de dados original e preparou novas amostras de material catódico para testes comparativos. Os resultados mostram que o tamanho de partícula previsto pela IA corresponde em alta precisão às medições microscópicas, com a maioria dos erros dentro de 0,13 micrômetros. Além disso, todos os valores medidos estão dentro da faixa de incerteza fornecida pela IA, demonstrando fortemente a dupla eficácia de suas previsões e avaliação de confiabilidade.
A importância desta pesquisa reside em fornecer um novo paradigma que utiliza IA para selecionar condições experimentais com alta taxa de sucesso, evitando assim tentativas e erros às cegas. O professor Seungbum Hong destacou: "A chave é que a IA não apenas fornece previsões, mas também indica a credibilidade dos resultados". Espera-se que essa estrutura reduza significativamente experimentos e custos desnecessários no desenvolvimento de materiais para baterias, fornecendo um forte suporte para o projeto eficiente de tecnologias de energia de próxima geração, incluindo baterias de estado sólido.
