Полимерные электролиты: поиск нового поколения с помощью искусственного интеллекта

Автор: Денис Аветисян

Исследователи разработали эффективный алгоритм, объединяющий машинное обучение и молекулярное моделирование, для обнаружения полимерных электролитов с улучшенной ионной проводимостью.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Наблюдается, что оптимизация пяти полимеров с наивысшей производительностью по каждому из свойств оптимизации, разложенная на четыре основные компоненты, выявляет взаимосвязи между свойствами, демонстрируемые посредством анализа парных отношений, где диагональные графики отражают распределение каждого свойства, а нижний треугольник - диаграммы рассеяния, в то время как верхний треугольник отображает двумерные распределения, полученные с использованием оценки плотности ядра. — Наблюдается, что оптимизация пяти полимеров с наивысшей производительностью по каждому из свойств оптимизации, разложенная на четыре основные компоненты, выявляет взаимосвязи между свойствами, демонстрируемые посредством анализа парных отношений, где диагональные графики отражают распределение каждого свойства, а нижний треугольник — диаграммы рассеяния, в то время как верхний треугольник отображает двумерные распределения, полученные с использованием оценки плотности ядра.

В работе продемонстрирован высокопроизводительный метод скрининга, позволяющий выявлять перспективные полимерные электролиты, в частности, разветвленные полимеры с кетонными группами, превосходящие по характеристикам традиционный PEO.

Поиск полимерных электролитов с высокой ионной проводимостью и числом переноса заряда остается сложной задачей для создания безопасных и эффективных твердотельных аккумуляторов. В работе, озаглавленной ‘Discovery of Polymer Electrolytes with Bayesian Optimization and High-Throughput Molecular Dynamics simulations’, представлен высокопроизводительный скрининговый подход, объединяющий байесовскую оптимизацию и молекулярное динамическое моделирование для исследования химического пространства из 1,7 миллионов гипотетических кандидатов. Выявлены полимерные электролиты с улучшенными транспортными свойствами по сравнению с традиционной системой PEO/LiTFSI, при этом разветвленные архитектуры и кетонные группы оказались ключевыми факторами повышения эффективности ионного транспорта. Не откроет ли это путь к разработке новых, перспективных электролитических систем для аккумуляторов будущего?

Вызов в Дизайне Твердотельных Электролитов

Современные литий-ионные аккумуляторы, широко используемые в портативной электронике и электромобилях, полагаются на жидкие электролиты для транспортировки ионов лития между электродами. Однако эти жидкие электролиты обладают рядом недостатков, представляющих серьезные проблемы для безопасности и производительности. Они легко воспламеняются и могут протекать, что приводит к тепловому разгону и даже пожару. Кроме того, жидкие электролиты ограничивают максимальную плотность энергии, которую можно достичь в аккумуляторе, поскольку их химическая стабильность ограничивает диапазон рабочих напряжений. Эти факторы стимулируют интенсивные исследования в области твердотельных электролитов, которые предлагают потенциальное решение этих проблем, обеспечивая повышенную безопасность, более высокую плотность энергии и расширенные рабочие характеристики аккумулятора.

Поиск новых полимерных электролитов с высокой ионной проводимостью представляет собой узкое место в материаловедении, поскольку традиционные методы разработки основаны на медленных и трудоемких экспериментальных циклах проб и ошибок. Синтез и тестирование каждого нового полимера требует значительных временных и ресурсных затрат, что существенно замедляет прогресс в создании твердотельных аккумуляторов нового поколения. Проблема усугубляется огромным разнообразием химических структур, доступных для полимеров, что делает полный перебор вариантов практически невозможным. В результате, идентификация перспективных материалов часто происходит случайно, что ограничивает возможность целенаправленного проектирования электролитов с заданными свойствами и высокой эффективностью. Именно поэтому, разработка инновационных подходов к ускорению процесса открытия новых полимерных электролитов является критически важной задачей для развития технологий накопления энергии.

Разработка новых твердых электролитов для литий-ионных аккумуляторов сталкивается с колоссальной проблемой — поиском оптимальных полимерных материалов среди практически бесконечного числа возможных химических комбинаций. Компьютерное материаловедение предлагает перспективный выход из этой ситуации, позволяя моделировать свойства полимеров и предсказывать их ионную проводимость без дорогостоящих и длительных лабораторных экспериментов. Однако эффективность такого подхода напрямую зависит от способности быстро и точно исследовать это огромное химическое пространство, что требует разработки специальных алгоритмов и вычислительных методов, способных отсеивать неперспективные соединения и фокусироваться на наиболее многообещающих кандидатах. Успех в этой области позволит значительно ускорить процесс создания безопасных и эффективных твердых электролитов нового поколения.

Анализ 11 полимеров с различной структурой, отобранных по их высокой ионной проводимости, показал, что ионная проводимость и энергия активации связаны, а число координации и радиус координационной оболочки влияют на коэффициент транспорта ионов лития и натрия, при этом декомпозиция механизмов транспорта, представленная на диаграмме Санкея, демонстрирует вклад различных факторов в общую ионную проводимость катионов для каждого полимера при 393 K.

Ускорение Открытий с Байесовской Оптимизацией

Байесовская оптимизация эффективно исследует химическое пространство полимеров посредством построения суррогатной модели ионной проводимости. В отличие от полного перебора или случайного поиска, данный подход формирует вероятностную модель, аппроксимирующую зависимость между составом полимера и его проводимостью. Эта модель позволяет предсказывать проводимость для новых, еще не исследованных составов, минимизируя количество дорогостоящих физических экспериментов или сложных расчетов. Алгоритм итеративно уточняет суррогатную модель, выбирая для исследования составы, которые, согласно модели, обладают наибольшей вероятностью высокой проводимости, что существенно ускоряет процесс открытия новых материалов с заданными свойствами.

Модель, основанная на регрессии Гауссовских процессов (Gaussian Process Regression, GPR), используется для прогнозирования ионной проводимости полимеров на основе их характеристик. GPR является вероятностным методом, позволяющим не только предсказывать значение проводимости для заданного набора характеристик полимера, но и оценивать неопределенность этого предсказания. Это критически важно для эффективного исследования химического пространства полимеров, поскольку позволяет алгоритму балансировать между исследованием (exploration) — поиском новых, потенциально перспективных областей — и эксплуатацией (exploitation) — фокусировкой на областях с уже известной высокой проводимостью. Предсказания GPR используются для определения наиболее перспективных кандидатов для синтеза и тестирования, значительно ускоряя процесс открытия новых полимерных электролитов.

Для построения прогностической модели на основе Гауссовского процесса (GP) используются MolFormer Embeddings — векторные представления, полученные с помощью модели глубокого обучения, обученной на молекулярных графах. Эти эмбеддинги кодируют информацию о структуре полимера в числовом формате, учитывая сложные взаимосвязи между атомами и химическими группами. В отличие от традиционных дескрипторов, MolFormer Embeddings способны улавливать нелинейные зависимости и тонкие структурные особенности полимеров, что позволяет более точно предсказывать ионную проводимость и эффективно исследовать химическое пространство полимеров.

Для повышения точности прогнозирования и вычислительной эффективности модели Gaussian Process Regression, используемой в Bayesian Optimization, применяется метод снижения размерности Principal Component Analysis (PCA). PCA позволяет преобразовать исходный набор признаков, описывающих структуру полимера, в новый набор некоррелирующих признаков — главных компонент. При этом сохраняется максимальная дисперсия данных, что обеспечивает наилучшее представление исходной информации в более компактном виде. Уменьшение размерности признакового пространства снижает сложность модели, уменьшает риск переобучения и ускоряет процесс обучения и прогнозирования, что особенно важно при исследовании большого химического пространства полимеров.

Высокопроизводительный конвейер HiTPoly, использующий модели Gaussian Process Regression и MolFormer, позволяет эффективно исследовать химическое пространство полимеров для прогнозирования и оптимизации ионной проводимости посредством итеративной симуляции и переобучения.

Молекулярные Инсайты в Транспорт Ионов

Молекулярные динамические симуляции предоставляют детальное понимание механизмов переноса ионов на атомном уровне, позволяя отслеживать движение ионов и полимерных цепей во времени. Данный подход основан на численном решении уравнений движения для каждой частицы в системе, учитывая межчастичные взаимодействия, заданные потенциальными функциями. Анализ траекторий движения позволяет выявлять характерные механизмы «перескакивания» ионов между координационными сайтами, а также оценивать влияние динамики полимерной матрицы на скорость и эффективность транспорта. В частности, симуляции позволяют исследовать корреляции между движением ионов и колебаниями полимерных сегментов, что необходимо для разработки новых материалов с улучшенными ионными проводящими свойствами.

Молекулярные динамические симуляции демонстрируют, что структурные особенности полимерной матрицы, в частности линейное ветвление, оказывают существенное влияние на подвижность ионов и, как следствие, на ионную проводимость. Установлено, что увеличение степени линейного ветвления приводит к снижению плотности упаковки полимерных цепей, создавая больше свободного пространства для перемещения ионов. Это, в свою очередь, уменьшает энергетический барьер для миграции ионов между сегментами полимера, что способствует увеличению скорости ионной проводимости. Анализ траекторий движения ионов показывает, что линейное ветвление облегчает прохождение ионов сквозь полимерную матрицу, снижая вероятность их застревания в локальных минимумах потенциальной энергии.

Наблюдения в ходе моделирования показывают, что окружающая ионы среда сольватации и тенденция ионов к кластеризации оказывают значительное влияние на транспортные свойства полимерных электролитов. Сольватация, определяемая взаимодействием ионов с сегментами полимерной цепи и растворителем, модулирует энергию активации для перемещения ионов, изменяя их подвижность. Формирование ионных кластеров, обусловленное кулоновским притяжением, приводит к увеличению эффективной массы переносчика заряда и снижению его диффузионной способности. Изменения в структуре сольватной оболочки и степени кластеризации напрямую коррелируют с ионной проводимостью, что подчеркивает важность контроля этих факторов для оптимизации характеристик полимерных электролитов.

Конвейер HiTPoly объединяет байесовскую оптимизацию с молекулярной динамикой, формируя самокорректирующийся цикл предсказания и валидации. Байесовская оптимизация используется для эффективного исследования пространства параметров полимерных материалов, определяющих ионную проводимость. Молекулярные динамические симуляции, в свою очередь, предоставляют точные данные об ионном транспорте при заданных параметрах. Результаты симуляций используются для уточнения байесовской модели, что позволяет итеративно улучшать предсказания и сократить количество необходимых вычислительно-затратных симуляций. Этот замкнутый цикл позволяет автоматически находить оптимальные полимерные составы для достижения требуемых характеристик ионной проводимости.

Использование теплой инициализации в модели GP значительно улучшает производительность по сравнению с GP без инициализации и случайным поиском, что проявляется в более эффективном исследовании пространства поиска (видно по эволюции выпуклой оболочки на главных компонентах) и повышении ионной проводимости с уменьшением разброса по мере увеличения числа поколений.

К Батареям Нового Поколения

Разработанный подход позволил выявить новые полимерные электролиты, демонстрирующие ионную проводимость, превосходящую показатели полиэтиленоксида (PEO) — материала, традиционно используемого в литий-ионных аккумуляторах. Использование специализированного алгоритма позволило эффективно исследовать обширное химическое пространство и отобрать соединения, обладающие потенциально высокой ионной проводимостью. Полученные результаты указывают на возможность создания более эффективных и безопасных аккумуляторов, что особенно важно для развития электромобилей и систем накопления энергии для энергосетей. Выявленные полимерные электролиты представляют собой перспективные кандидаты для замены существующих материалов и могут значительно улучшить характеристики будущих литий-ионных батарей.

В рамках разработки новых материалов для аккумуляторов была применена методика “теплого старта” для оптимизации процесса с использованием гауссовских процессов. Вместо стандартного подхода, когда модель начинается с произвольных параметров, данный метод включает в себя предварительные экспериментальные данные, тем самым направляя процесс оптимизации к более перспективным решениям. В результате, гауссовский процесс, инициализированный таким образом, значительно превзошел стандартный гауссовский процесс по эффективности поиска оптимальных полимерных электролитов, что позволило ускорить процесс разработки и выявить материалы с повышенной ионной проводимостью. Такой подход демонстрирует важность интеграции экспериментальных данных в алгоритмы машинного обучения для решения сложных задач материаловедения.

Исследование выявило заметное обогащение полимерных электролитов линейными разветвлениями, причем их концентрация превысила аналогичный показатель других химических групп в 57 раз. Данное наблюдение указывает на тесную связь между наличием линейных структур и высокой ионной проводимостью материала. Анализ показал, что именно линейные фрагменты способствуют более эффективному транспорту ионов лития внутри полимерной матрицы, что, в свою очередь, положительно влияет на общую производительность батареи. Это открытие позволяет целенаправленно разрабатывать новые полимерные электролиты с улучшенными характеристиками, оптимизируя структуру молекул для достижения максимальной ионной проводимости и повышения энергоемкости аккумуляторов.

Разработки, представленные в данной работе, открывают перспективы для создания нового поколения литий-ионных аккумуляторов, отличающихся повышенной безопасностью и энергоемкостью. Подобные аккумуляторы играют ключевую роль в развитии электротранспорта, обеспечивая больший пробег и снижая риски, связанные с перегревом и возгоранием. Кроме того, более эффективные системы хранения энергии, основанные на этих технологиях, необходимы для интеграции возобновляемых источников энергии в энергосистемы, позволяя накапливать энергию солнца и ветра для обеспечения стабильного электроснабжения в масштабах крупных энергообъектов и даже целых городов. Повышенная энергоемкость также способствует уменьшению размеров и веса аккумуляторов, что особенно важно для мобильных устройств и электромобилей.

Исследование демонстрирует, что эффективный поиск новых полимерных электролитов требует целостного подхода, где оптимизация одного аспекта не может игнорировать влияние на всю систему. Подобно тому, как структура определяет поведение, в данном случае, молекулярная архитектура полимера напрямую влияет на ионную проводимость. Как отметил Блез Паскаль: «Всякое зло есть следствие слабости». В контексте данной работы, “слабость” может проявляться в виде молекулярных структур, препятствующих эффективному транспорту ионов. Успешное применение байесовской оптимизации и моделирования молекулярной динамики подчеркивает важность последовательного улучшения и анализа, а также выявление ветвящихся полимеров с кетонными группами как перспективных кандидатов для создания электролитов с повышенной проводимостью, превосходящей традиционный PEO.

Куда двигаться дальше?

Представленная работа демонстрирует, как элегантный дизайн эксперимента, основанный на сочетании байесовской оптимизации и молекулярной динамики, способен выявить перспективные полимерные электролиты. Однако, стоит признать, что любой алгоритм — лишь приближение к истине, а истина, как известно, сложна. Проблема не в поиске новых материалов, а в понимании фундаментальных принципов, определяющих ионную проводимость. Поиск “лучшего” полимера без ясного понимания его структуры и свойств — всё равно что чинить крышу, не зная, где течёт вода.

Очевидным направлением является расширение пространства поиска химических структур. Использование более сложных химических эмбеддингов и алгоритмов машинного обучения позволит учесть тонкие нюансы взаимодействия между ионами и полимерной матрицей. Но важно помнить: любая модель упрощает реальность. Ограничения молекулярной динамики в описании эффектов, зависящих от больших временных масштабов, остаются существенной проблемой. В конечном счете, все ломается по границам ответственности — если границы не видны, скоро будет больно.

Перспективным выглядит интеграция с экспериментальными данными. Сочетание высокопроизводительного скрининга с быстрыми экспериментальными измерениями позволит проверить предсказания модели и уточнить её параметры. Но самое главное — необходимо развивать теоретическое понимание структуры и свойств полимерных электролитов. Ведь красивая система — это не только набор работающих компонентов, но и ясное понимание принципов её работы.

Оригинал статьи: https://arxiv.org/pdf/2602.17595.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-02-22 19:06