31 618 cząsteczek z potencjałem magazynowania energii w bateriach

Aż 31 618 cząsteczek ma szansę być wykorzystywane w przyszłych bateriach przepływowych redoks. Odkryli to naukowcy z holenderskiego Instytutu zajmującego się badaniami energetycznymi (Dutch Institute for Fundamental Energy Research – DIFFER). Wyniki badań opublikowano.

31 618 cząsteczek, osiągnięcie naukowców

W ostatnich latach chemicy zaprojektowali wiele cząsteczek, które potencjalnie mogłyby być użyteczne w bateriach przepływowych do przechowywania energii. Podczas badań korzystano z nowoczesnych technologii, w tym ze sztucznej inteligencji i superkomputerów. Dzięki temu udało się zidentyfikować właściwości wielu cząsteczek.

Na podstawie przeprowadzonych analiz naukowcy stworzyli bazę zawierającą dane na temat 31 618 cząsteczek. Ich zdaniem mają one duży potencjał magazynowania energii w bateriach, więc prawdopodobnie mogłyby stać się użytecznym rozwiązaniem w przyszłości. Dzięki ogólnodostępnej bazie naukowcy mogą łatwo wyszukiwać interesujące ich molekuły.

Wyzwanie podczas badań

Naukowcy chcieli, aby właściwości cząsteczek były szybko i łatwo dostępne w bazie danych. Niektóre z nich są ważne z punktu widzenia gromadzenia energii elektrycznej. Jednak dla wielu cząsteczek właściwości nie były znane i na tym polegał problem.

Cztery kroki do poznania właściwości cząsteczek

Aby utworzyć bazę naukowcy badali cząsteczki etapami. W tym celu wykorzystywali komputery i inne techniczne narzędzia.

Kiedy pracujesz z modelami teoretycznymi i uczeniem maszynowym, oczywiście chcesz mieć pewność co do wyników. Dlatego wykorzystaliśmy programy komputerowe, które dowiodły swojej doskonałości.

Süleyman Er, lider grupy badawczej, DIFFER

1. Komputer stacjonarny i inteligentne algorytmy

W pierwszym etapie wykorzystano komputer stacjonarny i inteligentne algorytmy do przetworzenia tysięcy wirtualnych wariantów. Na tej podstawie komputer stworzył 31 618 różnych cząsteczek.

2. Superkomputery

W drugim etapie wykorzystano superkomputery do obliczenia prawie 300 różnych właściwości każdej cząsteczki. Tutaj pomocne okazały się równania z chemii kwantowej rozwiązywane przez superkomputer.

3. Uczenie maszynowa

W trzecim etapie wykorzystano uczenie maszynowe, aby przewidzieć, czy cząsteczki będą rozpuszczalne w wodzie.

4. Baza danych

Czwarty etap był ostatni. Polegał on na utworzeniu bazy danych czytelnej zarówno dla człowieka, jak i dla maszyny. Nazwa nowej bazy danych to: RedDB (od Redox DataBase). Baza zawiera cząsteczki i ich właściwości wraz z wygodnym nazewnictwem i opisem.

Wyniki badań opublikowano w czasopiśmie naukowym.

Artykuł naukowy

Elif Sorkun, Qi Zhang, Abhishek Khetan, Murat Cihan Sorkun & Süleyman Er. RedDB, obliczeniowa baza danych cząsteczek elektroaktywnych dla wodnych akumulatorów przepływowych redoks. W: Scientific Data, 28 listopada 2022 r.

Źródła:

Differ publishes 31,618 molecules with potential for energy storage in batteries, differ.nl

Researchers publish 31,618 molecules with potential for energy storage in batteries, phys.org

DIFFER publishes database with 31,618 molecules to improve energy storage in batteries, innovationorigins.com