Machine Learning Mempercepat Penemuan Additive Baterai Bertegangan Tinggi

Para ilmuwan di Argonne National Laboratory menggunakan model machine learning untuk menemukan bahan kimia baru yang bisa meningkatkan kinerja baterai bertegangan tinggi. Mereka melatih model ini menggunakan data dari 28 additive kimia dan kemudian memprediksi 125 kombinasi baru yang berpotensi lebih baik. Dengan cara ini, proses penelitian yang biasanya memakan waktu berbulan-bulan bisa dipercepat secara signifikan. Fokus penelitian adalah pada baterai LNMO yang mengandung lithium, nikel, mangan, dan oksigen. Baterai ini memiliki keuntungan energi tinggi dan tidak memerlukan kobalt, yang sering kali bermasalah dalam rantai pasokan. Namun, baterai LNMO beroperasi pada voltase sekitar 5 volt, lebih tinggi dari baterai biasa, yang menyebabkan tantangan berupa dekomposisi elektrolit. Masalah utama terjadi karena voltase tinggi menyebabkan elektrolit dan katoda menjadi sangat reaktif, sehingga bisa mengakibatkan kerusakan dan penurunan performa baterai secara cepat. Untuk mengatasi ini, para peneliti menggunakan additive elektrolit yang bisa membentuk lapisan pelindung stabil pada elektroda selama siklus awal baterai. Additive yang efektif akan terdekomposisi dengan cara yang terkontrol untuk membentuk lapisan interfacial yang melindungi lingkungan elektroda dan mengurangi resistansi serta degradasi. Dengan pendekatan tradisional, menemukan additive yang tepat dari ratusan kemungkinan sangat memakan waktu dan sumber daya. Model machine learning yang dibuat oleh tim Argonne dapat menghubungkan struktur molekul additive dengan dampaknya pada kinerja baterai, sehingga mempermudah dan mempercepat proses penemuan. Ini menunjukkan potensi besar penggunaan kecerdasan buatan dalam pengembangan teknologi baterai yang lebih efisien dan tahan lama.