Ett team av forskare från Brookhaven National Laboratory vid det amerikanska energidepartementet (DOE) och Stony Brook University (SBU) använde artificiell intelligens (AI) för att förstå hur zinkjonbatterier fungerar – och hur man eventuellt kan göra dem mer effektiva för framtida energilagringsbehov.
Deras studie, som publicerades i tidskriften PRX Energy, fokuserade på den vattenbaserade elektrolyten som transporterar elektriskt laddade zinkjoner genom det uppladdningsbara batteriet under laddning och användning. AI-modellen utnyttjade hur dessa laddade joner interagerar med vatten under varierande koncentrationer av zinkklorid (ZnCl2), en saltform med hög löslighet i vatten.
AI-resultaten, som validerats genom experiment vid Brookhaven Labs National Synchrotron Light Source II (NSLS-II), visar varför höga saltkoncentrationer ger bästa batteriprestanda.
”AI är ett viktigt verktyg som kan underlätta vetenskapens framsteg”, säger Esther Takeuchi, ordförande för Interdisciplinary Science Department (ISD) vid Brookhaven Lab och William and Jane Knapp Chair in Energy and the Environment vid SBU. ”Forskningen som detta team har gjort är ett exempel på de insikter som kan vinnas genom att kombinera experiment och teori förstärkt av AI.”
Amy Marschilok, chef för Energy Storage Division vid ISD och professor i kemi vid SBU, tillägger: ”Detta arbete kan bidra till att påskynda utvecklingen av robusta zinkjonbatterier för storskalig energilagring. Dessa batterier är särskilt attraktiva för resiliensenergitillämpningar eftersom den vattenbaserade elektrolyten är säker i sig och de material som används för att tillverka dem är rikligt förekommande och prisvärda.”
Vatten i salt
Liksom alla batterier omvandlar zinkjonbatterier energi från kemiska reaktioner till elektrisk energi, förklarar Deyu Lu, forskare vid Theory and Computation Group vid Brookhaven Labs Center for Functional Nanomaterials (CFN), som ledde denna forskning.
”Men konkurrerande kemiska reaktioner, såsom de som splittrar vattenmolekyler och producerar vätgas, kan försämra batteriets prestanda avsevärt”, säger han. ”Om någon av denna energi används i sidoreaktioner förlorar man energi som skulle ha använts för att utföra arbetet.”
Lu och hans medarbetare visste att tidigare studier hade visat att vattensplittring hämmas i en speciell zinkkloridelektrolyt där saltkoncentrationen är så hög att den kallas ”vatten-i-salt”, till skillnad från vanligare ”salt-i-vatten”-elektrolyter. För att ta reda på varför den saltrika versionen var bättre ville de fånga atomära detaljer om hur zink- och kloridjoner rör sig och interagerar med vatten – och hur det påverkar elektrolytens konduktivitet – vid olika saltkoncentrationer.
Men att se dessa atomära detaljer är extremt svårt. Därför vände sig teamet till en form av datormodellering förstärkt med AI-vision.
Utveckling av AI-vision
”Det skulle vara omöjligt att se dessa komplexa detaljer med konventionella datatekniker”, säger Lu. ”Konventionella simuleringsmetoder kan inte hantera det stora antalet atomära interaktioner med den önskade noggrannheten för att fånga de tidsskalor över vilka sådana system utvecklas. Sådana beräkningar kräver enorm datorkraft, vilket lätt skulle ta många år.”
Istället för att utföra alla komplexa beräkningar som skulle behövas för att fullständigt simulera jonernas interaktioner med vatten, använde teamet konventionella simuleringar för att generera ett litet antal simuleringsdata, så kallade ”träningsuppsättningar”, och matade in dessa i ett AI-program. De använde datorresurser vid Theory and Computational Facility vid CFN, en användaranläggning vid DOE Office of Science, och Brookhaven Labs Scientific Computing and Data Facilities inom direktoratet för datavetenskap och datavetenskap (CDS).
”Vi behövde lite data som samlats in genom att beräkna ett litet antal interaktioner för att starta processen med att träna en initial modell”, säger Chuntian Cao från CDS, försteförfattare till artikeln. ”Sedan körde vi modellen för att generera mer data för att fortsätta förbättra modellens förutsägelser.”
Vid varje steg körde forskarna sina resultat genom en ensemble av maskininlärningsmodeller (ML) för att bedöma om förutsägelserna var korrekta. Lu jämförde processen med att ringa flera vänner för att få hjälp med att svara på frågor i den en gång så populära TV-frågesporten ”Vem vill bli miljonär?”. ”Om vännerna/modellerna är överens, ser det ut som att du har goda chanser att få en korrekt förutsägelse”, konstaterade han.
Men, som Cao påpekade, ”När vi upptäcker att vissa förutsägelser har mycket stora avvikelser i ensemblen av ML-modeller, återgår vi till att göra de konventionella beräkningarna för att få rätt svar. Dessa nya korrigerade datapunkter läggs sedan tillbaka till träningsdata för att ytterligare förfina ML-modellen.”
Denna iterativa ”aktiva inlärningsprocess” minimerade antalet beräkningar som behövde köras på ett beräkningsmässigt kostsamt sätt för att slutföra träningen av ML-modellen. Efter flera träningsomgångar kunde AI-modellen göra prognoser om mycket större antal atomära interaktioner över allt längre tidsperioder.
”Chuntian körde simuleringarna med flera tusen atomer, ett mycket stort system, i hundratals nanosekunder – en omöjlig uppgift med konventionella metoder. AI/ML är verkligen en game changer inom studiet av komplexa material”, säger Lu.
Stabilisering av vatten
AI-modellen från forskarna vid Brookhaven och Stony Brook avslöjade att höga zinkkloridkoncentrationer spelar en nyckelroll för att stabilisera vattenmolekyler och skydda dem från att splittras.
I rent vatten bildar syreatomen i en vattenmolekyl (H2O) två så kallade vätebindningar med väteatomer i angränsande vattenmolekyler. Dessa vätebindningar förbinder vattenmolekylerna i ett kontinuerligt nätverk som gör vattenmolekylerna mer reaktiva och känsliga för splittring, säger Lu.
Teamet fann att antalet vätebindningar minskar snabbt när zinkkloridkoncentrationen ökar, vilket stör vätebindningsnätverket. I vatten-i-salt-regimen återstår endast cirka 20 % av vätebindningarna.
”Stabilisering av vattenmolekylerna är en viktig faktor för varför högkoncentrerade vatten-i-salt-elektrolyter fungerar så bra”, säger Cao.
Transport av zink
Men elektrokemisk stabilitet är inte den enda fördelen med vatten-i-salt-elektrolyter som denna studie har avslöjat. AI-modellen ger också en förklaring till hur den höga saltkoncentrationen upprätthåller en effektiv transport av zinkjoner.
”När batteriet laddas och urladdas rör sig jonerna fram och tillbaka mellan elektroderna. Man vill att dessa joner ska vara rörliga, man vill inte att de ska låsas fast”, säger Lu.
AI-modellen avslöjade att vid mycket låga koncentrationer separeras zink- och kloridjonerna från varandra och rör sig genom elektrolyten oberoende av varandra i motsatta riktningar på grund av sina motsatta laddningar, förklarar Lu. Vid högre koncentrationer börjar jonerna och vattenmolekylerna bilda kluster med en netto negativ laddning. Denna totala negativa laddning gör att dessa zinkkluster rör sig i fel riktning jämfört med den önskade riktningen för positivt laddade zinkjoner. ”Det här är verkligen dåligt”, säger Lu.
Lyckligtvis växer vissa zink-, klorid- och vattenaggregat vid mycket höga koncentrationer till mycket stora kluster, ”som isberg”, sa Lu. Även om de fortfarande är negativt laddade är dessa stora kluster mycket få, så de bidrar endast i liten utsträckning till konduktiviteten. Men mindre kluster som finns kvar i lösningen får en total positiv laddning och kan röra sig runt de stora klustren för att ge tillräckligt hög konduktivitet för att batteriet ska fungera.
Validerande experiment
Forskarna förlitade sig inte helt på överensstämmelsen mellan ML-modellerna för att utvärdera sina resultat. De gjorde också experiment i verkliga miljöer för att studera atomstrukturerna och mätte elektrisk konduktivitet i elektrolytprover.
Vid NSLS-II, en användaranläggning tillhörande DOE Office of Science, använde forskarna röntgenstrålning vid strålrörslinjen Pair Distribution Function (PDF) för att mäta avstånden mellan atompar i materialet.
”PDF-strålrörslinjen är en kraftfull plattform med justerbara röntgenenergier som ger en direkt bild av hur atomerna är placerade”, säger studiens medförfattare Milinda Abeykoon, som är ledande forskare för strålrörslinjen.
”Denna högupplösta röntgenkartläggning hjälper forskare att utforska strukturer som sträcker sig från bara några få atomer till mycket större mönster, vilket är särskilt användbart för att studera komplexa material som de som finns i batterier. Det är ett utmärkt sätt att dubbelkontrollera och validera strukturer på atomnivå som förutsagts med hjälp av maskininlärningsmetoder.”
Shan Yan, medförfattare till studien och forskare vid ISD, säger: ”Dessa mätningar ger oss information om jonernas solvatationsstruktur, vilket kan vara mycket viktigt för att förstå hur elektrolyten fungerar.”
De AI-baserade förutsägelserna stämde väl överens med de verkliga experimenten. ”Vi är därför övertygade om att modellen är tillförlitlig”, säger Cao.
”Detta arbete visar den stora inverkan som artificiell intelligens och maskininlärning kan ha för förståelsen av materialkemi och ger riktlinjer för optimering av batterielektrolyter”, säger Lu. ”Det är ett exempel på ett starkt samarbete mellan flera avdelningar vid Brookhaven Lab och lyfter fram Brookhaven Labs unika styrka när det gäller att bedriva tvärvetenskaplig forskning som utnyttjar stora användaranläggningar inom DOE Office of Science.”
Marschilok pekade dessutom på den viktiga kopplingen mellan teori och experiment, samt bidraget från SBU:s doktorander som hjälpte till att förbereda prover, genomföra experiment och analysera data.
”Att arbeta tillsammans med dessa doktorander och alla forskare vid Brookhaven gav oss en fantastisk möjlighet att få experimentdata och analyser av högsta kvalitet – och att utbilda nästa generations arbetskraft i användningen av dessa avancerade tekniker”, säger hon.
Mer information: Chuntian Cao et al, Resolving the Solvation Structure and Transport Properties of Aqueous Zinc Electrolytes from Salt-in-Water to Water-in-Salt Using Neural Network Potential, PRX Energy (2025). DOI: 10.1103/PRXEnergy.4.023004
