AI summary
Penggunaan model pembelajaran mesin dapat mempercepat proses penemuan bahan baru untuk baterai. Baterai LNMO menawarkan keuntungan tanpa kobalt tetapi memiliki tantangan stabilitas yang lebih tinggi. Aditif elektrolit yang efektif dapat meningkatkan kinerja baterai dengan membentuk antarmuka stabil. Para ilmuwan di Argonne National Laboratory mengembangkan teknik menggunakan machine learning untuk menemukan bahan tambahan kimia yang dapat meningkatkan performa baterai LNMO. Mereka melatih model pada data kecil berisi 28 aditif untuk mencari kombinasi baru yang lebih efektif.Baterai LNMO memiliki keunggulan kapasitas energi tinggi dan tidak menggunakan kobalt, namun beroperasi pada tegangan hampir 5 volt yang menyebabkan masalah pada elektrolit konvensional, seperti dekomposisi dan kerusakan baterai.Aditif elektrolit berfungsi membentuk lapisan stabil di permukaan elektroda selama siklus awal, yang bermanfaat untuk menurunkan resistansi dan memperpanjang umur baterai. Namun, memilih aditif yang tepat dengan cara tradisional sangat memakan waktu.Dengan model machine learning, tim Argonne memprediksi performa dari 125 kombinasi baru aditif hanya berdasarkan dataset awal yang kecil. Mereka berhasil menemukan beberapa aditif yang mampu meningkatkan performa baterai dibandingkan yang sebelumnya ada.Metode ini menunjukkan bahwa dengan data yang dipilih secara tepat, machine learning dapat menjadi alat yang kuat dan efisien untuk penelitian material baterai, menghemat waktu eksperimen dan membuka jalan untuk baterai yang lebih efisien dan tahan lama.
Pendekatan Argonne menunjukkan revolusi dalam riset material baterai dengan mengurangi ketergantungan pada eksperimen mahal dan panjang. Namun, keberhasilan implementasi di skala industri masih bergantung pada validasi eksperimental lebih lanjut dan penyesuaian model sesuai kondisi dunia nyata.
