富士通株式会社和日本理化学研究所最近公布, 他们的联合研究小组在材料设计中应用第一原理计算与人工智能技术, 对全固态锂离子电池的固体电解质组成做了预测, 合成与评价试验, 并进行了实际验证. 结果证明, 即使在较少数据下, 通过与人工智能方法结合, 仍可高效地找出最佳材料组成, 大幅提高材料开发速度.
迄今为止, 材料的开发不得不依赖研究人员长期积累的经验和敏锐的直觉, 需要积累许多失败的教训才能成功. 而第一原理计算是如果指定了材料的组成, 基于量子力学可以预测的特征, 在实验之前即可预测新的高功能材料的最佳组成, 从而大幅减少实验失败次数. 但是第一原理计算的负荷非常巨大, 材料各种组成需要多重计算, 将会花费非常长的时间.
研究小组希望通过材料模拟, 实验和人工智能密切结合, 解决材料开发中的问题, 使材料开发时间大幅缩短, 以期更容易地发现意想不到的组成和结晶结构, 造出新的高功能材料.
此次研究小组使用人工智能方法之一的贝叶斯推断法组合, 控制第一原理计算的运算次数, 对全固态锂离子电池固体电解质的三种含有锂的氧酸盐合成化合物进行了预测. 结果证实, 该方法能在可实现的时间内, 预测高锂离子传导率的最佳组合. 同时在预测的组成附近也发现了其他组成的高锂离子传导率.
锂离子传导率是固态电解质材料重要的特征之一, 是主导锂电池充放电速度的因子. 此次研究成果验证了利用材料模拟和人工智能方法可高效开发不漏液, 不起火的锂离子电池, 今后有望在电池, 半导体以及磁性体等材料领域发挥巨大潜力.
