De acordo com pt.wedoany.com-A equipa do Professor Pang Quanquan da Escola de Ciência e Engenharia de Materiais da Universidade de Pequim, em colaboração com a Universidade de Tsinghua, o Laboratório Nacional Lawrence Berkeley, a Universidade de Princeton e a SESAICorp., introduziu um quadro de inteligência artificial de duas fases que combina aprendizagem ativa profunda com transferência de conhecimento no desenvolvimento de eletrólitos para baterias de lítio-metal, permitindo a triagem rápida de eletrólitos de alto desempenho e a transferência de conhecimento de design entre diferentes cenários. Os resultados da investigação foram publicados online antecipadamente a 27 de março na Nature Communications.
As baterias de lítio-metal são consideradas a direção central de desenvolvimento para o próximo armazenamento de energia e baterias de potência devido à sua densidade de energia teórica ultraelevada. No entanto, problemas como a baixa eficiência coulômbica do ânodo de lítio-metal e a fraca estabilidade interfacial têm restringido a sua aplicação em larga escala. O eletrólito é um componente central para regular a interface do ânodo e determinar a vida útil do ciclo da bateria. O seu design enfrenta um vasto e discreto espaço de pesquisa química formado por combinações de sais de lítio, solventes, aditivos e concentrações. O modelo tradicional de desenvolvimento "tentativa e erro" tem custos experimentais elevados e ciclos longos, sendo difícil adaptar-se a cenários complexos como a introdução de novas moléculas e a expansão de formulações de alta dimensão.
Para enfrentar os desafios do design de eletrólitos — "grande espaço de pesquisa, relações de desempenho descontínuas e elevado ruído experimental" — a equipa de investigação construiu um quadro de duas fases que integra Aprendizagem Ativa Profunda (Deep Active Learning, DAL) e Codificação Estatística de Alvo (Target Statistical Coding, TSC). A primeira fase concentra-se num espaço inicial de 720 formulações de eletrólitos, composto por sais de lítio, solventes, aditivos e concentrações. Utiliza aprendizagem profunda com kernel combinada com o algoritmo de amostragem Thompson para selecionar inteligentemente amostras experimentais, estabelecendo uma correlação não linear entre as formulações de eletrólitos e a vida útil do ciclo da bateria. A segunda fase, através da tecnologia de Codificação Estatística de Alvo, codifica explicitamente as correlações complexas entre os componentes num sistema de conhecimento de design de eletrólitos reutilizável e transferível, ultrapassando as limitações de um único espaço de formulação.
Os resultados experimentais mostram que, no espaço inicial de 720 formulações, após apenas três iterações de aprendizagem ativa profunda e um total de 128 testes de amostras de baterias, a vida útil média do ciclo da bateria aumentou de 41,9 ciclos na fase de triagem aleatória para 125,1 ciclos. A proporção de baterias de vida curta diminuiu de 80,6% para 28,1%, enquanto a proporção de baterias de vida longa aumentou de 9,7% para 40,6%. As cinco principais formulações de eletrólitos de alta qualidade selecionadas apresentaram um desempenho global significativamente superior ao de formulações de alto desempenho já publicadas do mesmo tipo.
O conhecimento de design de eletrólitos alcançou uma transferência eficiente entre diferentes cenários. Após expandir o espaço inicial de 720 formulações para um espaço candidato de maior dimensão com 5400 formulações, a vida útil média do ciclo das cinco principais formulações em condições de zero amostras atingiu 200,6 ciclos, um aumento de 1,6 vezes em relação ao melhor nível do espaço original. No sistema de bateria completa lítio-metal/NCM811, a taxa média de retenção de capacidade após 100 ciclos dos eletrólitos transferidos foi de 84,0%, superando em muito os 58,2% das formulações iniciais. Ao enfrentar um novo espaço de 5760 formulações introduzido por novas moléculas, com apenas uma ronda experimental de 32 amostras, a taxa média de retenção de capacidade após 150 ciclos aumentou de 24,4% para 56,5%, e a taxa de retenção de capacidade da formulação ideal após 250 ciclos ainda era de 83%.
Este estudo combina aprendizagem ativa profunda com transferência de conhecimento, fornecendo um novo paradigma de desenvolvimento inteligente para sistemas de eletrólitos que é eficiente em termos de amostras, de alta eficiência e transferível. O artigo de investigação foi concluído conjuntamente pela Universidade de Pequim, Universidade de Tsinghua, Laboratório Nacional Lawrence Berkeley, Universidade de Princeton e SESAICorp., sendo a Universidade de Pequim a primeira unidade de comunicação correspondente. O Professor Pang Quanquan da Universidade de Pequim, o Professor Associado Jiang Benben da Universidade de Tsinghua e Xu Kang da SESAICorp. são os autores correspondentes do artigo. Hong Xufeng, doutorando de 2025 da Universidade de Pequim, é o primeiro autor, e Wang Xizhe, estudante de doutoramento da Universidade de Tsinghua, é o co-primeiro autor. O trabalho de investigação foi apoiado por várias bolsas, incluindo o Programa Nacional de Investigação e Desenvolvimento Chave, a Fundação Nacional de Ciências Naturais da China, o Fundo de Investigação Conjunta Tsinghua-Toyota, a Fundação de Ciências Naturais de Pequim, o Centro Nacional de Investigação em Ciência e Tecnologia da Informação de Pequim e o Programa de Cooperação Internacional 111.
Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
