Combining physical models with dynamically acquired experimental information for the optimization of multicomponent NASICON fast ionic conductors in a self-driving laboratory
تقدم هذه الورقة إطار عمل للتخليق الحالة الصلبة المستقل الموجه بالتكلفة (CASS) يدمج النماذج الفيزيائية مع البيانات التجريبية المكتسبة ديناميكياً لتحسين الموصلات الأيونية السريعة من نوع NASICON متعددة المكونات بكفاءة، حيث نجح في تحديد تركيبات عالية الأداء ذات موصلية أيونية ونقاء طوري فائقين في بيئة مختبرية مستقلة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
غالباً ما تقود مساعي البحث عن بطاريات أفضل العلماء إلى النظر في المواد التي تسمح للكهرباء بالتدفق داخلها. وفي بطارية أيونات الصوديوم، التي توفر بديلاً مستداماً لبطاريات أيونات الليثيوم التي تشغل هواتفنا وسياراتنا، يحدث هذا التدفق عبر إلكتروليت صلب. يجب أن تكون هذه المادة الصلبة بمثابة طريق سريع لأيونات الصوديوم، مما يسمح لها بالانتقال بسرعة لشحن وتفريغ البطارية، مع بقائها مستقرة وسهلة التصنيع. وتعد عائلة "ناسي كون" (NASICON) من المواد الواعدة لهذه المهمة؛ وهي بلورات معقدة مكونة من الصوديوم، والفسفور، والأكسجين، وذرات معدنية متنوعة. ويكمن التحدي في تعقيدها: فمن خلال استبدال ذرات معدنية مختلفة داخل البنية البلورية، يمكن للعلماء ضبط سرعة حركة الأيونات. ومع ذلك، فإن العثور على المزيج المثالي يشبه البحث عن إبرة في كومة قش يتغير شكلها باستمرار. فإذا كان المزيج غير دقيق قليلاً، ترفض المادة تكوين البنية البلورية المنشودة وتنتج بدلاً من ذلك خليطاً من الشوائب غير المفيدة، مما يجعلها عديمة الفائدة للبطارية.
تقليدياً، كان العثور على هذه المزيجات المثالية عملية بطيئة تعتمد على التجربة والخطأ، حيث يخمن الباحثون صيغة كيميائية، ثم يخبزونها في فرن، ويأملون في الأفضل. وإذا فشلت، يخمنون مرة أخرى. وهذا النهج غير فعال عندما يكون عدد التركيبات الممكنة هائلاً. يقدم دراسة جديدة طريقة مختلفة للعمل؛ حيث بنى الباحثون نظاماً يجمع بين ما نعرفه بالفعل عن الفيزياء وبين التغذية الراجعة اللحظية من التجارب. لقد أنشأوا إطار عمل يعمل كدليل ذاتي التصحيح. يبدأ بنموذج حاسوبي يتنبأ بالوصفات الكيميائية التي من المرجح أن تنجح والتي من المرجح أن تفشل. ثم يرسل وصفة مرشحة إلى مختبر روبوتي يقوم بخلط المساحيق وتسخينها. بعد ذلك، يقوم الروبوت بتحليل النتيجة باستخدام الأشعة السينية لمعرفة ما تشكل فعلياً. وإذا لم تكن النتيجة مثالية، يتعلم النظام من خطئه، ويعدل خريطته الداخلية لما ينجح، ويصمم فوراً وصفة أفضل للجولة التالية. وتتكرر هذه الدورة، حيث يتعلم الجهاز من كل نجاح وكل فشل للتنقل في المشهد الكيميائي المعقد بشكل أسرع بكثير مما يمكن للإنسان فعله.
في هذه الدراسة، طبق الفريق هذا النهج "ذاتي القيادة" لاكتشاف موصلات صوديوم جديدة. لقد تركوا الروبوت ينطلق بحرية في فضاء كيميائي عالي الأبعاد، حيث اختبر عشرات التغييرات لمواد "ناسي كون". تم تصميم النظام لتحقيق توازن بين هدفين متنافسين: العثور على مادة يسهل تصنيعها دون شوائب، والعثور على مادة توصل الكهرباء جيداً. أجرى الروبوت 78 تجربة في المجمل. في الجولة الأولى، استخدم معرفته الأولية لاختيار نقاط البداية. أدت العديد من هذه المحاولات الأولى إلى إنتاج مواد كانت تتكون في الغالب من البنية البلورية الصحيحة ولكنها لا تزال تحتوي على بعض الشوائب غير المرغوب فيها. لم يتجاهل النظام هذه النتائج، بل قام بدلاً من ذلك بتحليل الشوائب المحددة التي ظهرت. ثم استخدم تلك المعلومات لتعديل الوصفة الكيميائية للجولة التالية، مما قلل من المكونات التي سببت المشاكل مع الحفاظ على المكونات التي تساعد في تكوين البلورة المطلوة.
كانت نتائج هذه الحملة المؤتمتة كبيرة. فبعد جولة واحدة أو جولتين فقط من التعديل لكل نظام كيميائي، نجح الروبوت في تصنيع 23 تركيبة كانت فيها بلورة "ناسي كون" المطلوبة هي المادة السائدة. ومن بين هذه التركيبات، وُجد 18 منها في منطقة محددة من الفضاء الكيميائي توقعت النماذج الحاسوبية أن تتمتع بموصلية أيونية عالية. وللتحقق من هذه التوقعات، أخذ الباحثون العينات الأكثر واعدة وقاسوا مدى جودة توصيلها للكهرباء. برزت مادتان جديدتان؛ حيث أظهرت إحداهما موصلية أيونية كلية قدرها 0.7 ميلي سيمنز لكل سنتيمتر، ووصلت الأخرى إلى 0.3 ميلي سيمنز لكل سنتيمتر. وعندما فحص الباحثون البنية الداخلية للمادة، مع تجاهل الحدود بين الحبيبات، قفزت موصلية العينة الأولى إلى 3.96 ميلي سيمنز لكل سنتيمتر، والثانية إلى 3.17 ميلي سيمنز لكل سنتيمتر. وهذه الأرقام تنافس أفضل موصلات الصوديوم المعروفة، وقد تم تحقيقها دون سنوات من التحسين اليدوي المعتاد.
كشفت الدراسة أيضاً عن شيء مهم حول حدود هذه المواد. فمن خلال مراقبة الوصفات التي نجحت والتي فشلت، تمكن الباحثون من رسم خرائط لحدود الاستقرار لهذه البلورات. ووجدوا أن مقدار الطاقة التي يمكن أن تمتلكها المادة فوق حالتها الأكثر استقراراً قبل أن تفشل في التكون يعتمد على المكونات المستخدمة. بالنسبة للمواد المكونة فقط من مجموعات الفوسفات، كان الحد صارماً للغاية. ومع ذلك، بالنسبة للمواد التي تمزج الفوسفات مع مجموعات السيليكات، استطاع النظام تحمل نطاق أوسع بكثير من عدم الاستقرار قبل الفشل. يشير هذا إلى أن خلط أنواع مختلفة من اللبنات الكيميائية يمكن أن يفتح مسارات جديدة للتصنيع كانت تُعتبر سابقاً صعبة للغاية. وأشار الباحثون إلى أنه بينما وجد النظام العديد من الوصفات الناجحة، فقد حدد أيضاً حالات بدت فيها المادة جيدة على الورق ولكنها فشلت في التوصيل بشكل جيد، مما يسلط الض الضوء على أن العلاقة بين الوصفة الكيميائية والأداء النهائي لا تزال معقدة وغير مفهومة تماماً.
يبرهن نجاح هذا المشروع على قوة إغلاق الحلقة بين النظرية والتجربة. فبدلاً من الاعتماد على نماذج حاسوبية ثابتة قد تغفل عن السلوكيات الدقيقة في العالم الحقيقي، أو الاعتماد فقط على الحدس البشري، استخدم النظام نهجاً ديناميكياً. لقد عامل كل تجربة، حتى الفاشلة منها، كبيانات قيمة. فعندما فشل التصنيع في إنتاج بلورة نقية، لم يكتفِ النظام بالمضي قدماً، بل استخدم الطبيعة المحددة للفشل لتنقيح فهمه للقواعد الكيميائية. سمح هذا بالاقتراب بسرعة من النطاق الضيق من التركيبات التي كانت قابلة للتصنيع والفعالية في آن واحد. وأكد الباحثون أن هذه الطريقة ليست حلاً سحرياً يحل جميع المشكلات فوراً؛ فلا تزال هناك حالات واجه فيها النظام صعوبة في التنبؤ بالتركيب الدقيق للبلورة عند خلطها مع أطوار أخرى، كما أن بعض الوصفات الواعدة أسفرت عن موصلية منخفضة. ومع ذلك، فإن القدرة على تحديد واستبعاد الطرق المسدودة بسرعة، مع صقل البحث عن أفضل المرشحين في الوقت نفسه، تمثل خطوة كبيرة للأمام.
يضع هذا العمل حجر الأساس لنوع جديد من اكتشاف المواد. إن إطار العمل المستخدم هنا نموذجي، مما يعني إمكانية تكييفه بسهولة لاختبار خصائص أو مواد أخرى. ويقترح الباحثون أنه في المستقبل، يمكن توسيع مثل هذه الأنظمة لتشمل عوامل أخرى مثل تكلفة المواد الخام أو مدى تفاعل مادة البطارية مع الأجزاء الأخرى من خلية البطارية. والهدف النهائي هو الانتقي من مجرد الفرز البسيط، حيث يتم اختبار آلاف المواد واحدة تلو الأخرى، نحو مختبرات ذكية يمكنها التفكير في نتائجها وتصميم خطواتها التالية بنفسها. ومن خلال إثبات أن الروبوت يمكنه التعلم من أخطائه لاكتشاف مواد جديدة عالية الأداء، تظهر هذه الدراسة أن مستقبل تطوير البطاريات قد يكمن في الآلات التي لا تكتفي باتباع التعليمات، بل تتعلم بنشاط كيفية حل ألغاز الكيمياء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.