La IA descifra imágenes a escala atómica para mejorar las baterías
Los investigadores han respondido a antiguas preguntas sobre un nuevo tipo de batería recargable que compite con la química de iones de litio
Las pilas recargables actuales son una maravilla, pero están lejos de ser perfectas. Con el tiempo, todas se desgastan, lo que conlleva costosas sustituciones y reciclaje.
Representación artística de una partícula analizada mediante una combinación de aprendizaje automático, rayos X y microscopía electrónica.
Ella Maru Studio
"Pero, ¿qué pasaría si las baterías fueran indestructibles?", se pregunta William Chueh, profesor asociado de ciencia e ingeniería de los materiales en la Universidad de Stanford y autor principal de un nuevo artículo que detalla un enfoque analítico, el primero de su clase, para construir mejores baterías que podrían ayudar a acelerar ese día. El estudio aparece en la revista Nature Materials.
Chueh, el autor principal, Haitao "Dean" Deng, PhD '21, y sus colaboradores del Laboratorio Nacional Lawrence Berkeley, el MIT y otras instituciones de investigación utilizaron la inteligencia artificial para analizar nuevos tipos de imágenes microscópicas a escala atómica para entender exactamente por qué se desgastan las baterías. Con el tiempo, dicen, las revelaciones podrían conducir a baterías que duren mucho más que las actuales. En concreto, analizaron un tipo concreto de baterías de iones de litio basadas en los denominados materiales LFP, que podrían dar lugar a vehículos eléctricos de venta masiva porque no utilizan productos químicos con cadenas de suministro limitadas.
Nanofracturas
"Piense en una batería como una taza de café de cerámica que se expande y se contrae cuando se calienta y se enfría. Esos cambios acaban provocando fallos en la cerámica", explicó Chueh. "Los materiales de una pila recargable hacen lo mismo cada vez que se recarga y luego consumen esa electricidad, lo que provoca fallos".
En la batería, señaló Chueh, no es la temperatura la que provoca las fisuras, sino la tensión mecánica que los materiales ejercen entre sí con cada ciclo de carga.
"Por desgracia, no sabemos mucho sobre lo que ocurre en la nanoescala, donde los átomos se unen", dijo Chueh. "Estas nuevas técnicas de microscopía de alta resolución nos permiten verlo y la IA nos ayuda a entender lo que ocurre. Por primera vez, podemos visualizar y medir estas fuerzas a escala nanométrica".
Chueh dijo que el rendimiento de cualquier material es una función tanto de su química como de la interacción física en el material a escala atomística, lo que él denomina "quimio-mecánica". Además, cuanto más pequeñas son las cosas y más diversos son los átomos que componen el material, más difícil es predecir cómo se comportará el material. Entra la IA.
Una herramienta transformadora
Utilizar la IA para el análisis de imágenes no es algo nuevo, pero sí lo es utilizarla para estudiar las interacciones atómicas a la escala más pequeña. En medicina, la inteligencia artificial se ha convertido en una herramienta transformadora para analizar imágenes de todo tipo, desde rodillas defectuosas hasta cánceres mortales. Mientras tanto, en la ciencia de los materiales, los nuevos métodos de microscopía de rayos X, electrones y neutrones de alta resolución están permitiendo la visualización directa en la nanoescala.
El equipo eligió como objeto de estudio el fosfato de hierro y litio o "LFP", un material muy conocido que se utiliza en los electrodos positivos y que está ganando popularidad entre los fabricantes de coches eléctricos y otras empresas que utilizan baterías. Este electrodo no contiene cobalto ni níquel, que se utilizan en muchas baterías comerciales. Las baterías de LFP también son más seguras, aunque contienen menos electricidad por kilo.
Aunque el LFP se lleva estudiando desde hace dos décadas, hasta ahora sólo se podían adivinar dos cuestiones técnicas clave pendientes. La primera consiste en comprender la elasticidad y la deformación del material cuando se carga y descarga. La segunda se refiere a cómo se expande y contrae en un régimen específico en el que el LFP es parcialmente estable, o "metaestable".
Deng ayudó a explicar ambas cosas por primera vez utilizando sus técnicas de aprendizaje de imágenes, que aplicó a una serie de imágenes bidimensionales producidas por un microscopio electrónico de transmisión de barrido, y a imágenes avanzadas de rayos X (espectrotipografía). Los hallazgos, dijo, son importantes para la capacidad, la retención de energía y la tasa de una batería. Y lo que es mejor, cree que se puede generalizar a la mayoría de los materiales cristalinos que también podrían ser buenos electrodos.
"La IA puede ayudarnos a entender estas relaciones físicas, que son clave para predecir el rendimiento de una nueva batería, su fiabilidad en el mundo real y la degradación del material con el tiempo", afirma Deng.
Nuevas direcciones
Chueh llama a Deng "empresario académico". Es químico de formación, pero aprendió por sí mismo los matices de la inteligencia artificial para afrontar este reto. Deng explicó que el enfoque es una forma de "aprendizaje inverso" en el que se conoce el resultado -imágenes fijas de alta resolución de LFP degradadas- y la IA ayuda a reconstruir la física para explicar cómo llegó a ser así. Ese nuevo conocimiento, a su vez, se convierte en la base para mejorar los materiales.
Deng señaló que los estudios anteriores sin IA han puesto de manifiesto las correlaciones en la forma en que las tensiones mecánicas afectan a la durabilidad de los electrodos, pero este nuevo enfoque proporciona tanto una forma emocionante como la motivación para desarrollar una comprensión más fundamental de la mecánica en juego.
Los investigadores afirman que ya están trabajando en la aplicación de sus técnicas para dilucidar nuevos y prometedores diseños de baterías a nivel atómico. Uno de los resultados podría ser un nuevo software de control de baterías que gestione la carga y la descarga de forma que mejore su vida útil. Otra vía interesante es el desarrollo de modelos computacionales más precisos que permitan a los ingenieros de baterías explorar materiales de electrodos alternativos en un ordenador en lugar de en un laboratorio.
"Ese trabajo ya está en marcha", afirma Chueh. "La IA puede ayudarnos a examinar los materiales antiguos de formas nuevas y tal vez a identificar algunas alternativas prometedoras a partir de algunos materiales aún desconocidos".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
