摘要：这种新方法是由芝加哥大学普利兹克分子工程学院（UChicago PME） Amanchukwu实验室的博士后Ritesh Kumar博士和他的团队开发的，他们使用一种名为“eScore”的指标来评估和排名潜在的电池电解质候选物。

芝加哥大学的研究团队手动编译了250项研究中的电池数据，以训练他们的人工智能模型。

美国研究小组开发了一种基于人工智能的框架，可以通过识别具有理想电解质特性的分子来加速下一代电池的开发。

这种新方法是由芝加哥大学普利兹克分子工程学院（UChicago PME） Amanchukwu实验室的博士后Ritesh Kumar博士和他的团队开发的，他们使用一种名为“eScore”的指标来评估和排名潜在的电池电解质候选物。

利用人工智能和机器学习，该系统评估电解质分子的三个关键性能标准，包括离子电导率、氧化稳定性和库仑效率，这些特性通常难以同时优化。

根据Kumar的说法，虽然电解质的开发通常涉及权衡，因为提供高稳定性的分子通常缺乏导电性，反之亦然，但新工具有助于确定可以同时满足多种性能要求的候选材料。

训练人工智能

为了建立训练数据集，研究人员手动编译了超过250项科学研究的数据，这些研究跨越了50多年的锂离子电池研究。许多相关信息仅以图像形式存在，无论是图表还是嵌入日记账图中的表格，都需要手工输入。

经过训练后，人工智能系统可以根据预测的表现对候选分子进行评分，包括一些它从未遇到过的分子。该模型在一种情况下确定了一种与现有最佳商业电池电解质相匹配的分子。

据研究小组称，这种创新方法与电池研究中常用的传统试错方法不同。

他们进一步解释说，仅通过实验室测试来探索每种可能的电解质组合几乎是不可能的，潜在候选分子的数量估计高达10⁶⁰。

“我们不可能在研究了数亿种化合物后说，‘哦，我认为我们应该研究这个，’”Amanchukwu说，并将在研究中使用人工智能与在线听音乐进行了比较。

就像音乐推荐算法一样，人工智能学习模式来预测最有希望的分子。Amanchukwu表示，下一步是开发一种人工智能，它不仅可以挑选歌曲，还可以创建播放列表，从而为设计全新的分子铺平道路。

接下来的步骤

据报道，该团队于2020年开始手动管理人工智能训练数据集，从50多年的电池研究中提取了数千种潜在化合物，其中大部分都隐藏在图表、数字和图表中。由于大多数大型语言模型只能解释文本，它们必须手动输入值，这涉及到突出显示它们所突出的内容，这非常耗时。

Amanchukwu在一份新闻稿中说：“即使是今天的模型也很难从图像中提取数据。”他补充说，由于格式问题，手动输入数据是必要的，因为关键信息通常嵌入在图像中，而不是文本中。

尽管数据集规模很大，但研究人员强调，训练模型只是一个开始。为了测试其真正的潜力，人工智能被评估为以前从未见过的分子。它在化学上与已知化合物相似的化合物上表现良好，但在不熟悉的化合物上表现不佳。

现在，该团队正专注于克服下一个重大挑战，包括训练人工智能模型，以准确预测完全不同化学空间中分子的表现。这是推进下一代电池设计的重要一步。

这项研究发表在《材料化学》杂志上。

来源：知新了了一点号