NJIT
A rede aberta e esponjosa dentro de um óxido de metal de transição poroso permite que iões maiores, dupla ou triplamente carregados, viajem durante os ciclos de carga e descarga da bateria.
A Inteligência Artificial está a ajudar os cientistas a decifrar o código das baterias de nova geração que poderão substituir a tecnologia de iões de lítio. Investigadores norte-americanos descobriram novos materiais porosos capazes de revolucionar as baterias de iões multivalentes.
Investigadores do New Jersey Institute of Technology (NJIT) recorreram à Inteligência Artificial para enfrentar um problema crítico para o futuro do armazenamento de energia: encontrar alternativas acessíveis e sustentáveis às baterias de iões de lítio.
Ao descobrirem novos materiais porosos, os investigadores podem ter aberto caminho para um armazenamento de energia mais potente e sustentável, utilizando elementos abundantes como o magnésio.
Num estudo publicado na Cell Reports Physical Science, a equipa da NJIT, liderada pelo professor Dibakar Datta, aplicou com sucesso técnicas de IA generativa para descobrir rapidamente novos materiais porosos capazes de revolucionar as baterias de iões multivalentes.
Estas baterias, que usam elementos abundantes como magnésio, cálcio, alumínio e zinco, representam uma alternativa promissora e económica às baterias de iões de lítio, as quais enfrentam problemas de abastecimento e de sustentabilidade a nível global.
Ao contrário das baterias tradicionais de iões de lítio, que recorrem a iões com apenas uma carga positiva, as baterias de iões multivalentes utilizam elementos cujos iões têm duas ou até três cargas positivas.
Isto significa que podem, potencialmente, armazenar muito mais energia, tornando-se altamente apelativas para soluções futuras de armazenamento energético.
No entanto, o maior tamanho e a carga elétrica superior dos iões multivalentes dificultam a sua acomodação eficiente nos materiais das baterias — um obstáculo que a investigação baseada em IA da equipa da NJIT procura resolver diretamente.
“Um dos maiores entraves não era a falta de químicas promissoras para baterias, mas sim a impossibilidade prática de testar milhões de combinações de materiais”, explica Datta, em comunicado da NJIT.
“Recorremos à IA generativa como forma rápida e sistemática de percorrer esse vasto território e identificar as poucas estruturas que realmente poderiam tornar as baterias multivalentes viáveis”, acrescenta.
“Esta abordagem permite-nos explorar rapidamente milhares de candidatos potenciais, acelerando drasticamente a procura por alternativas mais eficientes e sustentáveis à tecnologia de iões de lítio.”
Para ultrapassar estes obstáculos, a equipa desenvolveu uma abordagem inovadora baseada em dois sistemas de IA: um Crystal Diffusion Variational Autoencoder (CDVAE) e um Modelo de Linguagem de Grande Escala (LLM) cuidadosamente ajustado.
Em conjunto, estas ferramentas exploraram rapidamente milhares de novas estruturas cristalinas — algo até agora impossível com métodos laboratoriais tradicionais.
O modelo CDVAE foi treinado com extensos conjuntos de dados de estruturas cristalinas conhecidas, permitindo-lhe propor materiais totalmente novos com grande diversidade estrutural. Por sua vez, o LLM foi afinado para identificar os materiais mais próximos da estabilidade termodinâmica, fator crucial para a sua síntese prática.
“As nossas ferramentas de IA aceleraram drasticamente o processo de descoberta, permitindo-nos identificar cinco novas estruturas porosas de óxidos de metais de transição com um potencial notável”, diz Datta. “Estes materiais possuem canais amplos e abertos, ideais para o transporte rápido e seguro destes volumosos iões multivalentes — um avanço crítico para as baterias da próxima geração.”
A equipa validou as estruturas geradas por IA através de simulações mecânico-quânticas e testes de estabilidade, confirmando que os materiais podem, de facto, ser sintetizados experimentalmente e têm grande potencial para aplicações reais.
Datta destacou ainda as implicações mais amplas desta abordagem: “Isto é mais do que descobrir novos materiais para baterias — trata-se de criar um método rápido e escalável para explorar qualquer tipo de materiais avançados, desde eletrónica a soluções de energia limpa, sem recorrer a longos processos de tentativa e erro.”
