Machine Learning-Guided Screening of Advantageous Solvents for Solid Polymer Electrolytes in Lithium Metal Batteries
تستخدم هذه الدراسة التعلم الآلي على مجموعة بيانات مستمدة من نظرية الكثافة الوظيفية (DFT) عالية الإنتاجية لوضع معيار عالمي لفحص المذيبات للإلكتروليتات البوليمرية الصلبة، حيث حددت مادة "N-methoxy-N-methyl-2,2,2-trifluoroacetamide" كإضافة نزرة مثالية تعزز بشكل كبير التوصيل الأيوني، والاستقرار الكهروكيميائي، ومتانة الدورات في بطاريات ليثيوم المعدن.
تخيل أنك تحاول بناء البطارية المثالية لسيارة كهربائية فائقة السرعة. تريدها أن تخزن كمية هائلة من الطاقة وأن تكون آمنة تماماً، لذا تقرر التخلي عن السائل القابل للاشتعال الموجود بداخلها واستخدام بلاستيك صلب بدلاً منه. هذا هو عالم بطاريات الحالة الصلبة، وهو موضوع ساخن في مجال العلوم حالياً. لكن هناك عقبة: هذه البلاستيكات الصلبة غالباً ما تكون بطيئة نوعاً ما في تحريك الجسيمات الصغيرة المشحونة (التي تسمى الأيونات) والتي تحمل الطاقة. ولإصلاح ذلك، يقوم العلماء أحياناً بترك كمية ضئيلة وغير مرئية من المذيب السائل محاصرة داخل البلاستيك. فكر في الأمر كإضافة قطرة زيت إلى مفصلة صلبة؛ فهي تساعد الأجزاء المتحركة على الانزلاق بسلاسة. ومع ذلك، هناك الملايين من السوائل المختلفة، واختيار السائل المناسب يشبه البحث عن إبرة في كومة قش. إذا اخترت السائل الخاطئ، فقد يأكل مكونات البطارية الداخلية أو ببساطة لا يساعد على الإطلاق. السؤال الكبير هو: كيف نجد "قطرة الزيت" المثالية دون اختبار كل زجاجة في الكون؟
هنا تدخل فريق من الباحثين من هونغ كونغ وشنتشن باستراتيجية جديدة ذكية. فبدلاً من اختبار الزجاجات واحدة تلو الأخرى، قاموا ببناء كشاف رقمي خارق باستخدام الذكاء الاصطناعي. بدأوا بإجراء الآلاف من المحاكاة الحاسوبية المعقدة (وهي طريقة تسمى "DFT عالية الإنتاجية") لرسم خريطة "الشخصية" الإلكترونية غير المرئية لحوالي 10,000 جزيء مذيب مختلف. لقد بحثوا في كيفية احتفاظ هذه الجزيئات بإلكتروناتها وكيفية تفاعلها مع مواد البطارية. ثم علموا "دماغ" التعلم الآلي كيفية رصد الأنماط، وربط تلك السمات الإلكترونية غير المرئية بالأداء الواقعي للبطارية.
لم يقم الذكاء الاصطناعي بالتخمين فحسب؛ بل تعلم أن أفضل المذيبات تمتلك "شخصية" محددة للغاية. فهي تحتاج لأن تكون مستقرة بما يكفي لعدم التحلل تحت الجهد العالي، ولكنها ودودة بما يكفي لمساعدة أيونات الليثيوم على الحركة بسرعة. وبناءً على هذه القواعد، أشار الكمبيوتر إلى مرشحين اثنين في الصدارة. أحدهما كان مادة كيميائية معروفة، ولكن الآخر كان اكتشافاً جديداً تماماً اقترحه الفريق: جزيء يسمى N-methoxy-N-methyl-2,2,2-trifluoroacetamide (أو TFOMA اختصاراً).
وليروا ما إذا كان حدسهم الرقمي صحيحاً، صنع العلماء بطاريات حقيقية باستخدام بلاستيك صلب يسمى PVDF-HFP وأضافوا مجرد أثر ضئيل من مذيب TFOMA الجديد هذا. كانت النتائج مبهرة؛ حيث استطاعت البطارية تحمل جهد عالٍ جداً يصل إلى 4.5 فولت دون أن تتحلل، وهو أمر بالغ الأهمية لتخزين الطاقة العالية. كما أنها حركت الأيونات بشكل أسرع بكثير من المرشحين الآخرين، حيث بلغت موصليتها 5.5×10⁻⁴ S cm⁻¹ عند درجة حرارة 30 مئوية. وعندما اختبروا مدى طول عمر البطارية، كانت بطلة. ففي أحد الاختبارات باستخدام مادة بطارية شائعة، حافظت على 86.7% من طاقتها بعد 500 دورة شحن. وفي اختبار أصعب باستخدام مادة عالية الأداء، حافظت على 98.س 98.7% من طاقتها بعد 200 دورة، حتى عند الشحن والتفريغ بسرعة.
بدا أن "الخلطة السرية" هي مجموعة إضافية صغيرة من الذرات في جزيء TFOMA (وهي مجموعة الميثوكسي) والتي عملت مثل مسار خاص لمرور أيونات الليثيوم بسرعة، مما قلل من الازدحام المروري. وبينما وجد الفريق أن مادة كيميائية أخرى مشابهة تعمل بشكل جيد، إلا أن TFOMA الجديد الخاص بهم كان الفائز بوضوح، حيث قدم نافذة سلامة أوسع وسرعة أفضل. تُظهر هذه الدراسة أنه من خلال الجمع بين الحسابات الحاسوبية فائقة السرعة والذكاء الاصطناعي الذكي، يمكننا تجاوز سنوات من التجربة والخطأ وتصميم بطاريات أفضل بشكل أسرع بكثير. إنها خطوة واعدة نحو جعل السيارات الكهربائية تقطع مسافات أبعد، وتشحن بشكل أسرع، وتظل أكثر أماناً.
بيان المشكلة تعد الإلكتروليتات البوليمرية الصلبة (SPEs) بالغة الأهمية لتطوير بطاريات الليثيوم معدن آمنة وعالية الطاقة نظرًا لخصائصها المواتية من حيث قابلية المعالجة واستقرار الواجهات القطبية. ومع ذلك، فإنها غالبًا ما تعاني من انخفاض في الموصلية الأيونية والقوة الميكانيكية مقارنة بنظيراتها غير العضوية. وبينما تبرز استراتيجيات مثل دمج الحشوات غير العضوية، يظل إدخال المذيبات العضوية طريقة أبسط وأكثر انتشارًا لتعزيز تفكك ملح الليثيوم واستقرار الواجهات. ويكمكم التحدي الكبير في تعقيد اختيار المذيبات: إذ تؤثر المذيبات المتبقية الضئيلة (سواء كانت مضافة عمدًا أو محتجزة عرضيًا من عملية التصنيع) بشكل كبير على خصائص الإلكتروليت والواجهة. حاليًا، يعتمد اختيار المذيبات المثلى بشكل كبير على التجربة والخطأ التجريبي أو خلط المذيبات التجريبي، وهو أمر مكلف ويفتقر إلى إطار نظري موحد. علاوة على ذلك، فإن مناهج تعلم الآلة الموجودة لاكتشاف المواد تظل غالبًا نظرية بحتة، وتفتقر إلى التحقق التجريبي، أو تعتمد بشكل كبير على جودة البيانات دون إنشاء روابط قوية بين الهياكل الإلكترونية والأداء العياني (macroscopic).
المنهجية يقترح المؤلفون نموذجًا متكاملًا يجمع بين حسابات نظرية الكثافة الوظيفية (DFT) عالية الإنتاجية، وتعلم الآلة (ML)، والتحقق التجريبي لفحص وتصميم المذيبات المفيدة للإلكتروليتات البوليمرية الصلبة (SPEs).
فحص DFT عالي الإنتاجية: تم استخراج مجموعة بيانات تضم حوالي 10,000 مذيب عضوي تحتوي على الكربون (C)، والهيدروجين (H)، والأكسجين (O)، والنيتروجين (N)، والفلور (F) من قاعدة بيانات ChemSpider. أُجريت حسابات DFT عالية الدقة لتحديد الواصفات الإلكترونية الرئيسية (مستويات طاقة HOMO و LUMO) والخصائص العيانية: القابلية للاستقطاب (α)، وعزم ثنائي القطب (μ)، وثابت العزل الكهربائي (ε)، ورقم المانح (DN). تم حساب ثابت العزل الكهربائي عبر معادلة كلاوزيوس-موسوتي، وتم تحديد رقم المانح (DN) من خلال طاقات التفاعل مع حمض لويس SbCl5.
نمذجة تعلم الآلة: لإنشاء نماذج تنبؤية تربط الهياكل الإلكترونية بالخصائص العيانية، استخدم المؤلفون استراتيجية تعلم آلة متعددة المستويات:
XGBoost و SISSO: استُخدما لتحليل أهمية الميزات والفحص الأولي. أكدت هذه النماذج القابلة للتفسير أن سمات الهيكل الإلكتروني (تحديدًا فجوات HOMO-LUMO) تساهم بأكثر من 65% في التنبؤ بثوابت العزل الكهربائي.
الشبكة العصبية التلافيفية للرسوم البيانية البلورية (CGCNN): تم تكييفها للأنظمة الجزيئية تحت ظروف الحدود الدورية لالتقاط التفاعلات غير الخطية المعقدة. حقق هذا النموذج دقة تنبؤية عالية (R2 = 0.91 لـ μ، و 0.97 لـ ε، و 0.98 لـ HOMO-LUMO gap).
التحقق: خضعت النماذج لعمليات تحقق صارمة تشمل التحقق المتقاطع بـ 50 طية (50-fold cross-validation)، واختبارات البذور المتعددة، واختبار y-scrambling، مما أكد أن النماذج تعلمت علاقات حقيقية بين البنية والخصائص بدلاً من مجرد حفظ البيانات.
معايير الفحص واختيار المرشحين: بناءً على رؤى تعلم الآلة، وُضعت معايير فحص كمية: HOMO < –6 إلكترون فولت، LUMO > –1 إلكترون فولت، فجوة HOMO-LUMO > 5 إلكترون فولت، ε بين 20–50، و μ بين 3–6 ديباير. تهدف هذه المعايير إلى موازنة الاستقرار التأكسدي/الاختزالي، وتفكك الملح، والتفاعلات بين الأيون والمذيب.
التحقق التجريبي: تم اختيار مرشحين من الفئة العليا، وهما 2,2,2-trifluoro-N,N-dimethylacetamide (TFDMA) و N-methoxy-N-methyl-2,2,2-trifluoroacetamide (TFOMA) المقترح حديثًا. تم دمج كميات ضئيلة من هذين المذيبين في مصفوفة من بولي (فينيليدين فلوريد-كو-هيكسافلوروبروبيلين) (PVDF-HFP). تم توصيف الإلكتروليتات البوليمرية الصلبة (SPEs) الناتجة من حيث الاستقرار الكهروكيميائي، والموصلية الأيونية، وأرقام الانتقال، وأداء الدورات في خلايا كاملة مع كاثودات LiFePO4 و LiNi0.9Co0.05Mn0.05O2 (NCM91).
النتائج الرئيسية
ارتباطات البنية والخصائص: أكدت الدراسة وجود ارتباط عالمي حيث ترتبط عزم ثنائي القطب الأكبر والقابلية للاستقطاب النسبية عمومًا بثوابت عزل كهربائي أعلى. لوحظ اعتماد غير خطي بين فجوة HOMO-LUMO والخصائص العيانية؛ حيث تنخفض الخصائص بشكل حاد مع زيادة الفجوة من 0.5 إلى 2 إلكترون فولت، ثم تستقر.
أداء النموذج: نجح نموذج CGCNN في التقاط الطبيعة "الصندوق الأسود" للتعلم العميق، حيث أظهرت التضمينات الكامنة (latent embeddings) ارتباطات قوية بالواصفات الهيكلية الإلكترونية. أكد تحليل SHAP الدور المهيمن للمدارات الحدودية في تحديد ثوابت العزل الكهربائي وعزوم ثنائيات القطب.
تحديد المرشحين: تم تحديد TFOMA و TFDMA كمرشحين متفوقين. ومن المتوقع أن يعمل TFOMA، الذي يتميز بمجموعة ميثوكسي إضافية، على تعزيز المسارات الأيونية.
الأداء التجريبي:
الاستقرار: أظهرت أنظمة PVDF-HFP@TFOMA نافذة استقرار كهروكيميائي واسعة بلغت 4.5 فولت، متفوقة على TFDMA التي سجلت 4.25 فولت.
الموصلية: عند 30 درجة مئوية، حققت أنظمة SPE القائمة على TFOMA موصلية أيونية قدرها 5.5 × 10−4 S cm−1، وهي أعلى بكثير من TFDMA التي سجلت 1.0 × 10−4 S cm−1. كانت طاقة التنشيط لهجرة Li+ أقل في حالة TFOMA (0.29 إلكترون فولت) مقارنة بـ TDEA (0.45 إلكترون فولت).
رقم الانتقال: أظهرت الإلكتروليتات القائمة على TFOMA رقم انتقال مرتفع لـ Li+ بلغ 0.78.
استقرار الدورات: في خلايا LiFePO4، احتفظ نظام TFOMA بنسبة 86.7% من السعة بعد 500 دورة عند 2C. وفي خلايا NCM91 عالية الجهد، احتفظ بنسبة 98.7% من السعة بعد 200 دورة عند 2C. تجاوزت هذه النتيات أنظمة TDEA والمذيبات الشائعة الأخرى مثل DMF و NMP و DMSO.
الآلية: أشارت محاكاة الديناميكا الجزيئية إلى أن مجموعة الميثوكسي في TFOMA تسهل تكوين هياكل موضعية عالية التركيز وتنشئ قنوات أيونية جديدة، مما يقلل من التفاعلات الكولومبية بين Li+ والأنيون.
الأهمية والادعاءات يزعم البحث أنه وضع نموذجًا عالميًا قائمًا على البيانات لفحص المذيبات في الإلكتروليتات البوليمرية الصلبة. ومن خلال دمج حسابات DFT عالية الإنتاجية، وخوارزميات تعلم الآلة المتقدمة، والتحقق التجريبي، يوضح المؤلفون مسارًا للتصميم العقلاني للإلكتروليتات التي توازن بين النقل الأيوني، والاستقرار الكهروكيميائي، ومتانة الدورات. تسلط الدراسة الضوء على أن المذيبات المتبقية الضئلة، عندما يتم اختيارها بشكل صحيح، ليست مجرد شوائب بل يمكن هندستها لتعزيز أداء البطارية. إن النجاح في تحديد والتحقق من TFOMA كمذيب متفوق لمصفوفات PVDF-HFP يؤكد فعالية هذا النهج المتكامل. يفترض المؤلفون إمكانية توسيع نطاق هذه المنهجية لتشمل تصميمات إلكتروليت متقدمة أخرى، مما يسرع تطوير بطاريات الليثيوم معدن الأكثر أمانًا وعالية الطاقة. يجسد هذا العمل الفجوة بين تنبؤات الهيكل الإلكتروني النظرية والأداء العملي للبطارية، مقدمًا إطارًا قويًا لاكتشاف المواد من الجيل التالي.