Aktives maschinelles Lernen für zukünftige Batteriematerialien
von Tatu Linnala
Die Entdeckung neuer Materialien hängt von der Erforschung umfangreicher chemischer Zusammensetzungen ab. Traditionell erfordert dieser Prozess mühsame experimentelle Synthesen oder rechenintensive Simulationen der elektronischen Struktur, was groß angelegte Untersuchungen unpraktisch macht. In diesem Zusammenhang markiert die künstliche Intelligenz (KI) einen Paradigmenwechsel, der die Art und Weise, wie Materialien entworfen und entdeckt werden können, grundlegend verändert. Das Potenzial der KI ist jedoch in datenarmen Bereichen, wie der Synthese neuer Batteriematerialien, wo die Datenerfassung durch kostspielige Experimente begrenzt ist, noch nicht ausreichend erforscht. Die Entwicklung neuer Batteriematerialien ist für die Weiterentwicklung nachhaltiger Energietechnologien von entscheidender Bedeutung. Eine vielversprechende Strategie besteht darin, Dotierstoffe wie Tantal, Aluminium und Kalzium in das Kathodenmaterial einzubringen. Dies erhöht nachweislich die Diffusionsfähigkeit, eine für die Batterieleistung wesentliche Eigenschaft.
Motiviert durch diese Herausforderungen und Chancen, nutzt mein Forschungsprojekt neuartige Ansätze des maschinellen Lernens, um die Entdeckung neuer Lithium-Ionen-Kathodenmaterialien zu beschleunigen. Das Projekt wird in zwei Phasen durchgeführt. In der ersten Phase werden geeignete bayessche Optimierungsmethoden (BO) entwickelt und angewendet, um effizient die optimalen Dotierungsgrade für Hochleistungskathoden zu ermitteln. Um den Bedarf an experimenteller Synthese während der BO-Kampagne weiter zu reduzieren, planen wir, vorhandene Daten aus Simulationen der Dichtefunktionaltheorie zur Initialisierung des maschinellen Lernmodells zu verwenden.
In der zweiten Phase werden die synthetisierten Kathodenproben mit spektroskopischen Methoden charakterisiert, um ihre strukturellen Merkmale aufzudecken. Anschließend wird mithilfe von maschinellem Lernen abgeleitet, wie diese strukturellen Merkmale wichtige Materialeigenschaften wie die Diffusionsfähigkeit beeinflussen. Diese Erkenntnisse über Struktur-Eigenschafts-Beziehungen liefern ein tieferes physikalisches Verständnis und damit Möglichkeiten zur weiteren Verbesserung der Kathodenmaterialien. Letztendlich zielt diese Forschung darauf ab, neue Kathodenmaterialien zu entdecken und gleichzeitig datengesteuerte Methoden für die Materialentdeckung voranzutreiben.
