Da der Übergang zu sauberer Energie die Verbreitung von Elektrofahrzeugen und die Speicherung von Energie für ein Stromnetz vorantreibt, das immer stärker von variablen erneuerbaren Energiequellen wie Wind und Sonne abhängig ist, wächst auch die Gefahr von Batteriebränden. Um dieses Risiko zu begrenzen und gleichzeitig die Batterieleistung zu verbessern, wird die nächste Batteriegeneration wahrscheinlich auf neue Festkörperelektrolyte angewiesen sein, aber die Forschung wird durch die schiere Menge an Materialoptionen und die damit verbundenen Parameter behindert.
Maschinelles Lernen kann hier jedoch Abhilfe schaffen. Eine Gruppe von Materialwissenschaftlern hat eine neue, dynamische Datenbank mit Hunderten von Festkörperelektrolyten entwickelt, auf die sie Techniken der künstlichen Intelligenz angewendet haben, die die Forschung bereits in bessere Bahnen lenken.
Ein Papier, das ihren Ansatz beschreibt, wurde veröffentlicht im Journal Nanomaterialwissenschaft am 10. September 2023.
In vielen wiederaufladbaren Batterien werden häufig organische Lösungsmittel als Elektrolyte verwendet – also jene Substanzen, normalerweise Flüssigkeiten oder Gele, die die Bewegung geladener Teilchen oder Ionen zwischen den positiven und negativen Elektroden erleichtern.
Diese Art von Lösungsmittel bietet eine gute Leitfähigkeit und ermöglicht den effizienten Transport von Ionen zwischen den Elektroden. Aufgrund einer Reihe von Sicherheits- und Leistungsbedenken sind Batterieforscher jedoch schon seit langem auf der Suche nach alternativen Elektrolytmaterialien.
Insbesondere organische Lösungsmittel können entflammbar sein und zu thermischen Durchgehensreaktionen führen, die Brände oder Explosionen verursachen. Darüber hinaus können organische Lösungsmittel zu chemischer Zersetzung neigen, was im Laufe der Zeit zur Bildung von Gasen und zum Abbau des Elektrolyts führen kann, was die Leistung und Lebensdauer der Batterie verringert. Darüber hinaus leiden sie manchmal unter einem begrenzten Spannungsbereich, in dem die Batterie betrieben werden kann.
Ein alternativer Ansatz sind Festkörperbatterien (All Solid-State Battery, ASSB), bei denen das herkömmliche flüssige oder gelförmige organische Lösungsmittel durch einen Festelektrolyten ersetzt wird. Dadurch wird das Problem des Auslaufens und damit der Explosion eliminiert. Diese Festelektrolyte verbessern nicht nur die Sicherheit, sondern bieten auch eine höhere Energiedichte und – möglicherweise – schnellere Ladezeiten.
Die Suche nach Festkörperelektrolyten (SSEs) mit hoher Ionenleitfähigkeit – also der Fähigkeit von Ionen, sich durch die Batterie zu bewegen und Strom zu erzeugen – war jedoch mit zahlreichen Herausforderungen verbunden, vor allem aufgrund ihrer komplexen Struktur und der Beziehung zwischen dieser Struktur und der Leistung. Bisher wurden nur SSEs mit langsamer Ionenwanderung identifiziert. Ohne Hochleistungs-SSEs wurde die Entwicklung von ASSBs stark behindert.
„Die Sache wird noch schlimmer, weil so viele SSEs zur Auswahl stehen“, sagte Hao Li, Materialwissenschaftler am Advanced Institute for Materials Research der Tohoku University und korrespondierender Autor des Artikels. „Es gibt Hunderte von Möglichkeiten, und es ist eine echte Herausforderung für Forscher, eine solche Menge an Optionen zu bewältigen und dabei die vielen verschiedenen Parameter für optimale Leistung im Auge zu behalten.“
Daher entwickelte das Team eine experimentelle dynamische Datenbank, die Dynamic Database of Solid-State Electrolyte (DDSE), die zunächst über 600 potenzielle Festkörperelektrolytmaterialien enthielt, die ein breites Betriebstemperaturspektrum abdeckten und verschiedene Kationen und Anionen (positive und negative Ionen) umfassten, um die Beziehungen zwischen den verschiedenen Variablen zu untersuchen.
Eine dynamische Datenbank ist ein Datenbanktyp, der so konzipiert ist, dass er problemlos aktualisiert und häufig geändert werden kann, sodass Änderungen und Ergänzungen der enthaltenen Daten in Echtzeit möglich sind. Dieser Datenbanktyp wird häufig in Situationen verwendet, in denen sich die Informationen ständig weiterentwickeln. In diesem Fall wird die DDSE kontinuierlich mit neuen experimentellen Daten aktualisiert. Die Datenbank wird wöchentlich aktualisiert und enthielt im Januar 2024 über 1000 Materialien.
Anschließend wendeten die Forscher maschinelles Lernen auf das DDSE an, um die Einschränkungen sowohl der menschlichen Analyse als auch den außerordentlichen Rechenaufwand theoretischer Berechnungen zu überwinden. Ohne maschinelles Lernen hatten die Forscher Schwierigkeiten, das große Atomsystem der SSEs sowie die Komplexität der beteiligten chemischen Reaktionen rechnerisch zu bewältigen.
Durch den Einsatz maschinellen Lernens können Forscher bessere Vorhersagen über neuartige Festkörperelektrolytmaterialien treffen, und zwar bei wesentlich geringerem Rechen- (und Kosten-)Aufwand und minimaler Zeitverschwendung im Vergleich zu früheren Versuch-und-Irrtum-Versuchen beim SSE-Design.
Dabei haben sie begonnen, die komplexen Zusammenhänge zwischen zahlreichen Variablen zu entschlüsseln, darunter Ionentransport, Zusammensetzung, Aktivierungsenergie (die Energiemenge, die zum Auslösen einer chemischen Reaktion erforderlich ist) und Leitfähigkeit. Dies ermöglicht die Entwicklung neuer Richtlinien für die Konstruktion von SSEs. Die Forscher haben bereits die Entwicklungs- und Leistungstrends von SSEs in verschiedenen Materialklassen sowie Leistungsengpässe für jede SSE-Klasse identifiziert.
Das DDSE wurde außerdem mit einer benutzerfreundlichen Schnittstelle entwickelt, damit auch andere Batterie- und Materialwissenschaftler außerhalb des ursprünglichen Teams es aktualisieren und selbst verwenden können.
Mehr Informationen:
Fangling Yang et al, Eine dynamische Datenbank für Festkörperelektrolyte (DDSE) mit Abbildungen von Festkörperbatterien, Nanomaterialwissenschaft (2023). DOI: 10.1016/j.nanoms.2023.08.002