在麻省理工學(xué)院 4 號樓的地下室，有一個被學(xué)生們稱為「創(chuàng)新的搖籃」的實驗室——4-061 實驗室。在這里，Donald Sadoway 教授自 1990 年代后期就開始了他對于固體聚合物電解質(zhì) (SPE) 鋰金屬電池的研究。這個實驗室見證了無數(shù)個日夜的辛勤工作和無數(shù)次的實驗失敗，但也正是這些挑戰(zhàn)，孕育出了改變世界的創(chuàng)新發(fā)現(xiàn)。

在過去的三十余年中，麻省理工學(xué)院始終未曾放慢對固態(tài)聚合物電解質(zhì) (SPE) 研究的腳步。隨著人工智能技術(shù)的迅猛發(fā)展，麻省理工學(xué)院的科研團隊正借助機器學(xué)習(xí)和數(shù)據(jù)驅(qū)動的策略，開啟了一系列的創(chuàng)新研究。他們運用先進的算法和海量數(shù)據(jù)，旨在突破傳統(tǒng)材料的局限，為電池技術(shù)的未來開辟新的可能性。

不久前，麻省理工學(xué)院與豐田研究所的科研團隊攜手合作，運用生成式人工智能技術(shù)，進行了聚合物電解質(zhì)的全新設(shè)計。他們比較了基于 GPT 的 minGPT 和基于擴散的 1Ddiffusion、diffusion-LM 模型，采用了預(yù)訓(xùn)練和微調(diào)的方法，成功地創(chuàng)造出了一大批新穎、多樣化且具有潛在應(yīng)用價值的聚合物。這一成果不僅展示了人工智能在材料設(shè)計領(lǐng)域的強大潛力，也為固態(tài)電解質(zhì)的發(fā)展注入了新的活力。

下一代鋰電池的希望之星：AI 助力固態(tài)聚合物電解質(zhì)的創(chuàng)新突破

固態(tài)聚合物電解質(zhì) (SPEs) 被廣泛認為是下一代鋰離子電池的有力候選材料，相較于液態(tài)電解質(zhì)，它們在安全性、能量密度和制造性能方面展現(xiàn)出顯著的優(yōu)勢。然而， SPEs 的離子導(dǎo)電性通常比商業(yè)化液態(tài)電解質(zhì)低幾個數(shù)量級，這一特性嚴重限制了它們的實際應(yīng)用。為了應(yīng)對這一挑戰(zhàn)，科研人員已經(jīng)開展了廣泛的實驗和計算研究。

一方面，研究人員發(fā)現(xiàn)數(shù)據(jù)挖掘為理解物質(zhì)結(jié)構(gòu)與性能之間的關(guān)系提供了新的解決方案。早在 2021 年，上海交通大學(xué)的研究團隊在 Nano Energy 期刊上發(fā)表了一項題為「Harnessing Artificial Intelligence to Holistic Design and Identification for Solid Electrolytes」的研究，他們結(jié)合機器學(xué)習(xí)模型和有限的 DFT 計算，從超過 29,000 個設(shè)計的石榴石 (Garnet Solid State Electrolyte) 結(jié)構(gòu)中，快速篩選出 12 個在室溫下具有極低電子電導(dǎo)率的候選物。這種方法在計算上縮短了至少 95 年的篩選周期，為固態(tài)電解質(zhì)的設(shè)計和發(fā)現(xiàn)開辟了新的思路和方法。

到了 2023 年，日本東北大學(xué)的研究團隊在題為「The dynamic database of solid-state electrolyte (DDSE)」的研究中，構(gòu)建了一個動態(tài)的全固態(tài)電池電解質(zhì)數(shù)據(jù)庫，并利用機器學(xué)習(xí)預(yù)測離子電導(dǎo)率，為實驗合成的新材料提供了性能參考。

另一方面，研究人員也致力于通過新材料的挖掘來提升聚合物的離子導(dǎo)電性。目前，盡管高溫操作、添加輔助添加劑、共聚物化等常見方法取得了一定的進展，但它們大多依賴于聚乙烯氧化物 (PEO)。受限于材料本身的局限性，PEO 材料已經(jīng)成為了 SPE 技術(shù)發(fā)展的一大障礙。但是，現(xiàn)階段對于非 PEO 聚合物的探索仍然相對有限。為了探索更廣闊的非 PEO 聚合物空間，機器學(xué)習(xí)和數(shù)據(jù)驅(qū)動方法開始被廣泛應(yīng)用于聚合物屬性預(yù)測和逆向設(shè)計。

盡管人工智能可以加速新聚合物的發(fā)現(xiàn)，但它也帶來了獨特的挑戰(zhàn)。一般來說，人工智能預(yù)測的準確性依賴于豐富、多樣、廣泛的初始數(shù)據(jù)集，因此高質(zhì)量的數(shù)據(jù)至關(guān)重要。此外，設(shè)計一套能夠生成化學(xué)上真實且可合成的聚合物的算法也是一項復(fù)雜的任務(wù)。因此，在各種機器學(xué)習(xí)方法中，生成式設(shè)計因其能夠從數(shù)據(jù)中學(xué)習(xí)并創(chuàng)造新的候選物質(zhì)而顯得尤為突出。這種方法不僅有望通過學(xué)習(xí)現(xiàn)有數(shù)據(jù)來擴展聚合物數(shù)據(jù)庫，還能幫助定制化設(shè)計特定目標的聚合物材料。

然而，目前很少有研究利用這些先進的生成式 AI 技術(shù)來進行聚合物的生成。為了研究生成式 AI 技術(shù)在非 PEO 材料方面的應(yīng)用，尤其是在具有高度結(jié)構(gòu)隨機性的非晶材料的聚合物電解質(zhì)領(lǐng)域，麻省理工學(xué)院和豐田研究所的研究團隊在一項最新研究中深入研究了不同先進生成式模型在聚合物生成中的復(fù)雜性，并提出了一種可以持續(xù)生成和評估新的基于 GPT 和擴散模型的聚合物電解質(zhì)的從頭設(shè)計方法，為實驗檢驗提供了新的候選物。

minGPT 勝過擴散模型：預(yù)訓(xùn)練策略提升數(shù)據(jù)集適應(yīng)性

在麻省理工學(xué)院的最新研究中，為了開發(fā)有價值的新型聚合物電解質(zhì)材料，該研究該研究通過標記 (tokenize)、訓(xùn)練 (Train)、生成 (Generate)、驗證 (Evaluate) 四大模塊，為聚合物生成設(shè)計了一個系統(tǒng)的評估方案。

該研究的工作流程

首先，在標記 (tokenize) 階段，研究人員首先選擇了一個包含 6,024 種不同非晶聚合物電解質(zhì)的 HTP-MD 數(shù)據(jù)集。這些聚合物的離子傳輸屬性主要通過分子動力學(xué) (MD) 模擬計算得出。

基于這個數(shù)據(jù)集，在訓(xùn)練 (Train) 階段，研究人員比較了幾種不同的生成式 AI 模型 (Generative AIs)，包括 GPT 模型的一個流行的開源 PyTorch 復(fù)現(xiàn)項目——minGPT，以及兩種擴散模型：一維去噪擴散概率模型 (1Ddiffusion) 和擴散語言模型 (diffusion-LM)，在聚合物生成方面的性能。

通過這些模型的比較，研究人員希望能夠找到一種最有效的方法來生成具有理想屬性的聚合物電解質(zhì)。鑒于三個模型具有不同的損失函數(shù)，損失值可能無法為化學(xué)系統(tǒng)提供全面評估。因此，研究人員提出了一種包含 6 個不同的指標的評估聚合物生成的方法，從而可評估模型在不同超參數(shù)組合下的性能。

1Ddiffusion 模型是對去噪擴散概率模型 (DDPM) 的改進，最初是為了圖像生成而開發(fā)的。

在 diffusion-LM 模型中，非自回歸語言模型架構(gòu)與連續(xù)擴散的概念相結(jié)合，可用于生成文本。

在這項研究中，研究人員首先研究了無條件 (Unconditional) 生成情況下的模型架構(gòu)性能，即在沒有任何屬性約束的情況下，使用 HTP-MD 數(shù)據(jù)集來訓(xùn)練生成模型，以學(xué)習(xí)聚合物的「語言」。在無條件生成的過程中，模型可在生成 (Generate) 階段被訓(xùn)練可隨機生成 (Randomly generated) 新穎的、化學(xué)上有效的、獨特的和可合成的聚合物。

結(jié)果如下圖所示，minGPT 模型和 diffusion-LM 模型的表現(xiàn)相當，而 1Ddiffusion 模型的表現(xiàn)相對較差。在計算成本方面，minGPT 模型在訓(xùn)練和推理方面比基于擴散的模型更高效。在 Tesla V100 GPU 核心 (16GB RAM) 上，訓(xùn)練最優(yōu)的 minGPT 模型僅大約需要 3-4 分鐘，而最優(yōu)的 1Ddiffusion 和 diffusion-LM 模型則需要大約 2 小時的訓(xùn)練時間。

無條件生成的不同評價指標下不同模型的性能比較

接下來，該研究進一步引導(dǎo)生成模型創(chuàng)建具有理想屬性的聚合物電解質(zhì)，研究了在條件生成 (Conditional) 情況下的模型架構(gòu)性能。例如，為了實現(xiàn)高離子導(dǎo)電性，研究人員首先將 HTP-MD 數(shù)據(jù)集中的聚合物分為高導(dǎo)電性和低導(dǎo)電性兩組，然后利用從無條件生成任務(wù)的超參數(shù)調(diào)整中獲得的最優(yōu)模型架構(gòu)在生成 (Generate) 階段有條件的生成 (Conditionally generated) 具有高導(dǎo)電性的聚合物電解質(zhì)。

最后，他們使用圖神經(jīng)網(wǎng)絡(luò) (GNN) 模型來預(yù)測生成聚合物的離子導(dǎo)電性，在測試的 46 個候選材料中，最終篩選出 17 個具有優(yōu)越的離子導(dǎo)電性的聚合物。結(jié)果還表明，與無條件生成的發(fā)現(xiàn)一致，minGPT 模型在條件生成中也超越了 1Ddiffusion 和 diffusion-LM 模型，實現(xiàn)了更優(yōu)越的平均得分。這表明 minGPT 模型不僅在生成新穎聚合物方面表現(xiàn)出色，還能有效地引導(dǎo)生成具有特定理想屬性的聚合物電解質(zhì)。

條件生成的不同評價指標下不同模型的性能比較

由于 minGPT 模型在無條件和條件生成方面都優(yōu)于基于擴散的模型。因此，研究人員進一步研究了預(yù)訓(xùn)練和微調(diào)方法對 minGPT 模型的影響。具體來說，他們比較了兩種不同的訓(xùn)練策略：一種是從頭開始在 HTP-MD 數(shù)據(jù)集上直接訓(xùn)練的 minGPT 模型，另一種是先在 PI1M 數(shù)據(jù)庫上進行預(yù)訓(xùn)練以進行無條件生成，然后再在 HTP-MD 數(shù)據(jù)集上進行微調(diào)以實現(xiàn)條件生成的 minGPT 模型。

PI1M 數(shù)據(jù)庫：包含 100 萬聚合物單體的基準數(shù)據(jù)庫，但缺乏聚合物的離子導(dǎo)電性信息

研究結(jié)果表明，預(yù)訓(xùn)練策略顯著縮短了微調(diào)的訓(xùn)練時間，并提高了條件生成的有效性和獨特性得分。此外，預(yù)訓(xùn)練還增強了模型捕捉 HTP-MD 數(shù)據(jù)集中聚合物特性的能力，并在生成過程中產(chǎn)生了更廣泛的聚合物多樣性。這意味著，先在大規(guī)模數(shù)據(jù)庫上進行預(yù)訓(xùn)練，模型能夠更好地適應(yīng)特定數(shù)據(jù)集的需求，從而在生成新型聚合物時表現(xiàn)出更高的效率和準確性。

麻省理工學(xué)院攜手豐田研究所，推動 AI 在汽車領(lǐng)域的廣泛應(yīng)用

事實上，這項研究并非麻省理工學(xué)院與豐田研究所的首次合作，雙方的合作歷史可追溯到 10 年前，成果也頗為豐碩。

早在 2015 年 9 月，豐田汽車公司就宣布將在未來 5 年內(nèi)投入 5 千萬美元，與麻省理工學(xué)院和斯坦福大學(xué)合作建立研究中心，共同研發(fā)無人駕駛汽車。這一合作為 AI 在汽車研發(fā)中的廣泛應(yīng)用奠定了基礎(chǔ)。

僅僅一年之后，麻省理工學(xué)院的運輸與物流中心 AgeLab 就與豐田合作安全研究中心 (CSRC) 共同發(fā)布了名為 DriveSeg 的創(chuàng)新性開放數(shù)據(jù)集。該數(shù)據(jù)集通過視頻捕捉駕駛場景，提供的數(shù)據(jù)流更接近真實的動態(tài)駕駛情況，極大地推動了機器學(xué)習(xí)、場景理解和行為預(yù)測等領(lǐng)域的發(fā)展。

到了 2020 年，麻省理工學(xué)院、豐田研究所和斯坦福大學(xué)的研究團隊在 Nature 上發(fā)表了一篇論文「Closed-loop optimization offast-sprotocols for batteries withcharginmachine learning」，介紹了一種機器學(xué)習(xí)模型，該模型將電池充電測試時間從近兩年縮短至 16 天，縮短了近 15 倍，并能準確預(yù)測電池的使用壽命。這一方法有望加速電池開發(fā)的各個環(huán)節(jié)，幫助制造商更高效地設(shè)計和制造電池。

盡管五年之約已經(jīng)到期，但多方的合作并未止步。2021 年，麻省理工學(xué)院、豐田研究院、斯坦福大學(xué)和 SLAC 的研究團隊再度在《Nature Materials》上發(fā)表了一篇題為 Fictitious phase separation in Li layered oxides driven by electro-autocatalysis 的文章，首次將「科學(xué)機器學(xué)習(xí)」應(yīng)用于電池循環(huán)研究，推翻了關(guān)于鋰離子電池充電和放電的傳統(tǒng)假設(shè)，并為設(shè)計能夠在 10 分鐘內(nèi)完成充電的長壽命電動汽車電池提供了新的規(guī)則。

如今，麻省理工學(xué)院與豐田研究所再次攜手，開發(fā)了一種可以持續(xù)生成和評估新的聚合物候選物的方法。這一方法在解決復(fù)雜的聚合物設(shè)計問題和推動下一代電池材料的搜索方面具有巨大潛力。

鋰電池產(chǎn)業(yè)的升級與變革：AI 助力關(guān)鍵動力

從電動汽車的廣泛應(yīng)用，到我們?nèi)粘Ｊ褂玫闹悄苁謾C、筆記本電腦等消費電子產(chǎn)品，再到智能家居設(shè)備，鋰電池以其高效的能量存儲能力，為這些設(shè)備提供了強大的動力支持。

在全球范圍內(nèi)，各國政府均對鋰電池的開發(fā)給予了極大的關(guān)注，例如，為落實《新產(chǎn)業(yè)標準化領(lǐng)航工程實施方案 (2023―2035 年)》，工信部等四部門在 2024 年 11 月剛剛印發(fā)了《國家鋰電池產(chǎn)業(yè)標準體系建設(shè)指南 (2024 版)》，旨在加強鋰電池產(chǎn)業(yè)標準工作頂層設(shè)計，促進鋰電池產(chǎn)業(yè)健康有序發(fā)展。

美國、歐洲和韓國等國家和地區(qū)也在加大鋰電池研發(fā)的投入，以確保在全球競爭中保持領(lǐng)先地位。例如，2021 年 11 月，由美國能源部、國防部、商務(wù)部、國務(wù)院四部門聯(lián)合組建的聯(lián)邦先進電池聯(lián)盟 (FCAB) 發(fā)布了 2021-2030 年美國鋰電池國家藍圖，旨在引導(dǎo)對美國鋰電池制造價值鏈的投資，創(chuàng)造就業(yè)機會。這些政策不僅促進了技術(shù)創(chuàng)新，也為鋰電池的廣泛應(yīng)用提供了堅實的基礎(chǔ)。

然而，由于不同設(shè)備對性能要求的不斷提高，目前鋰電池的研發(fā)仍然面臨著材料創(chuàng)新進展相對緩慢、大量電池數(shù)據(jù)難以有效處理和分析等持續(xù)的挑戰(zhàn)和創(chuàng)新需求。

鋰電池行業(yè)正處于技術(shù)革新的浪潮之巔，而 AI 無疑是引領(lǐng)這場技術(shù)復(fù)興的核心驅(qū)動力。例如，作為全球最大的鋰電池制造商，寧德時代 (CATL) 已經(jīng)利用 AI 技術(shù)優(yōu)化了回收流程，在鋰電池回收領(lǐng)域取得了顯著進展，將鋰回收率提高至 91%。芯動科技通過運用先進的人工智能算法和大數(shù)據(jù)分析技術(shù)，對鋰電池生產(chǎn)的各個環(huán)節(jié)進行了深度優(yōu)化，不僅提升了鋰電池生產(chǎn)的智能化水平，還加速了新型鋰電池材料的研發(fā)和應(yīng)用。

未來，鋰電池產(chǎn)業(yè)仍將經(jīng)歷顯著的升級和變革。隨著技術(shù)的不斷進步和市場需求的持續(xù)增長，鋰電池將在能源轉(zhuǎn)型和可持續(xù)發(fā)展中扮演越來越重要的角色。在這段旅途中，AI 技術(shù)正展現(xiàn)出前所未有的姿態(tài)，為產(chǎn)業(yè)的進一步升級提供源源不斷的關(guān)鍵動能。