گروهی از دانشمندان کارنگی ملون از یک سیستم اتوماتیک و نرم افزار یادگیری ماشین برای توسعه الکترولیت‌های با امکان شارژ سریع‌تر از نمونه‌های استاندارد بهره برده‌اند.
در ابتدای سال جاری میلادی، گروهی از محققان دانشگاه کارنگی ملون ایالات متحده از یک سیستم رباتیک به‌منظور اجرای ده‌ها آزمایش طراحی‌شده برای تولید شماری از الکترولیت‌ها استفاده کردند؛ الکترولیت‌هایی که می‌توانستند امکان سریع‌تر شارژ شدن را برای باتری‌های لیتیوم یونی فراهم کرده و بدین ترتیب یکی از موانع اصلی پذیرش گسترده و همگانی وسایل نقلیه الکتریکی در گوشه‌وکنار دنیا را برطرف کنند.
سیستمی متشکل از پمپ‌ها، دریچه‌ها و ابزارهای خودکاری که به‌نام کلیو (Clio) شناخته شده، حلال‌ها، نمک‌ها و سایر مواد شیمیایی مختلف را با هم مخلوط می‌کند و در ادامه، نحوه‌ی تاثیرگذاری و عملکرد محلول حاصله را بر معیارهای حیاتی باتری مورد سنجش قرار می‌دهد. احتمالاً وقتی صحبت از جمع‌آوری داده به میان می‌آید حدس زدن مرحله‌ی بعدی چندان دشوار نباشد. داده‌ها و نتایج به‌دست‌آمده به یک سیستم یادگیری ماشینی موسوم به Dragonfly تحویل داده می‌شود و این سیستم از داده‌ها‌ی ورودی به‌منظور پیشنهاد ترکیبات شیمیایی مختلف استفاده می‌کند؛ ترکیباتی مختلفی که ممکن است عملکرد کلی محلول را بهتر کنند.
براساس اطلاعات ارائه‌شده در مقاله‌ی جدیدی که در Nature Communications منتشر شده، این سیستم درنهایت با اتکا بر یادگیری ماشین توانست شش محلول الکترولیت تولید کند. هنگامی که پژوهشگران کارنگی ملون محلول‌های الکترولیتی ساخته‌شده را در سلول‌های آزمایشی کوچک قرار دادند، مشخص شد که آن‌ها عملکرد بهتری نسبت به محلول استاندارد از خود نشان می‌دهند. بهترین محلول از میان شش محلول یادشده، بهبود تقریباً ۱۳ درصدی را نسبت به سلول پایه‌ی باتری ثبت کرد.
باید توجه داشت که توسعه‌ی الکترولیت‌های بهتر برای بهبود عملکرد، ایمنی و البته هزینه‌ی ساخت باتری‌ها بسیار مهم است. تولید و به‌کارگیری باتری‌هایی با امکان شارژ سریع‌تر به‌ویژه برای جذاب‌تر کردن خودروهای الکتریکی و کامیون‌ها مهم هستند؛ زیرا موضوع زمان برای مصرف‌کنندگان عادی بسیار مهم است و چنین باتری‌هایی می‌توانند آزار و کلافگی‌های ناشی از تاخیرهای طولانی در ایستگاه‌های شارژ خودروهای الکتریکی را کاهش دهند.
در سال‌های اخیر، آزمایشگاه‌های تحقیقاتی به‌طور فزاینده‌ای سیستم‌های خودکار را با نرم‌افزارهای یادگیری ماشین ترکیب کرده‌اند؛ نرم‌افزارهایی که الگوهای متشکل از داده‌ها را برای ایجاد بهبود وظایف تعیین‌شده شناسایی می‌کنند و هدف نهایی آن‌ها نیز توسعه‌ی مواد ایده‌آل مناسب برای کاربردهای خاص است. دانشمندان طی سال‌های اخیر از این روش‌ها برای شناسایی موادی امیدوارکننده برای ساخت الکترولیت‌های حالت جامد، سلول‌های فتوولتائیک خورشیدی و کاتالیزورهای الکتروشیمیایی استفاده کرده‌اند. چندین استارتاپ نیز برای تجاری‌سازی این رویکرد ایجاد شده‌اند؛ از جمله Chemify و Aionics.
تیم کارنگی ملون درمورد آزمایش‌های باتری‌ها به‌دنبال الکترولیتی بودند که سرعت شارژ مجدد باتری‌ها را افزایش دهد. محلول الکترولیت به جابجایی یون‌ها یا اتم‌هایی با بار خالص به‌دلیل از دست دادن یا افزودن یک الکترون، بین دو الکترود در باتری کمک می‌کند. یون‌های لیتیوم در حین تخلیه، در الکترود منفی که آند نامیده می‌شود ایجاد می‌شوند و ازطریق محلول به سمت الکترود مثبت یا همان کاتد جریان پیدا کرده و در آنجا الکترون می‌گیرند. این روند در طی پروسه‌ی شارژ معکوس می‌شود.
یکی از معیارهای کلیدی بهینه‌سازی شده توسط کلیو Clio که در پی بهینه‌سازی‌اش نیز بودند، به «رسانایی یونی» مربوط می‌شد. رسانایی یونی به چگونگی جریان آسان یون‌ها در محلول اطلاق می‌شود و به‌طور مستقیم بر سرعت شارژ مجدد باتری تأثیر می‌گذارد.
اما یک چالش اضافی برای الکترولیت‌های تجاری این است که باید قادر باشند در جنبه‌های متنوعی از جمله چرخه‌ی عمر کل، توان خروجی، و ایمنی به‌خوبی عمل کنند. این در حالی است که می‌دانیم بهبود در یک زمینه اغلب میتواند به قیمت وقوع کاستی یا ناکارامدی در سایر زمینه‌ها تمام شود.
محققان کارنگی ملون امیدوار هستند تا بتوانند در طی کارهای پژوهشی بعدیشان، آزمایش‌های رباتیک را تسریع و ابزارهای یادگیری ماشینی را اصلاح کرده و در ادامه آزمایش‌هایی را با اهداف چندگانه (به‌جای آزمایش‌هایی با یک هدف عملکردی واحد) به اجرا درآورند.
به‌صورت کلی، امید بزرگ ما در آینده این است که اتوماسیون و یادگیری ماشینی در کنار هم بتوانند زمینه‌ی کشف مجموعه‌ی نسل بعد از مواد پیشرو و کارآمد را تسریع کرده و به ارائه‌ی باتری‌های بهتر، فتوولتائیک‌های کارآمدتر و بیشتر کمک کنند. همه این فعالیت‌ها و بیم‌وامیدها پیرامون آینده در حالی به پیش می‌رود که جهان امروز ما برای کاهش انتشار گازهای گلخانه‌ای در تکاپو است.
