Naukowcy zwrócili się ku sztucznej inteligencji oraz uczeniu maszynowemu, aby znacząco przyspieszyć proces projektowania baterii.
Badacze najpierw stworzyli bardzo dokładną bazę danych dotyczącą około 133 000 małych cząsteczek organicznych, które mogłyby stanowić podstawę elektrolitów akumulatorowych. W tym celu wykorzystano model G4MP2. Ta kolekcja cząsteczek stanowiła jednak tylko niewielki podzbiór złożony ze 166 miliardów większych cząsteczek, które naukowcy zamierzali badać w poszukiwaniu elektrolitów.
Ponieważ zastosowanie G4MP2 do analizy każdej ze 166 miliardów cząsteczek wymagałoby ogromnej ilości czasu i mocy obliczeniowej, zespół badawczy zastosował algorytm uczenia maszynowego, aby powiązać dokładnie znane struktury z mniejszego zbioru danych ze strukturami z większego zbioru danych.
Ulepszenie algorytmu w celu sprawniejszego określenia informacji na temat szerszej klasy cząsteczek organicznych wymaga porównania pozycji atomowych cząsteczek przeanalizowanych z użyciem bardzo dokładnego G4MP2 w porównaniu z tymi analizowanymi przy użyciu jedynie funkcjonalnej teorii gęstości. Wykorzystując G4MP2, badacze mogliby wyszkolić model funkcjonalnej teorii gęstości w celu włączenia współczynnika korekcyjnego, poprawiając jego dokładność przy jednoczesnym utrzymaniu kosztów obliczeniowych na niskim poziomie.
Jak dodał jeden z autorów badania, projekt ma na celu uzyskanie jak najlepszego obrazu elektrolitów w bateriach. Wykorzystywanie cząsteczek do przechowywania energii wiąże się z poznaniem ich właściwości, takich jak stabilność. Pomoże w tym właśnie sztuczna inteligencja i uczenie maszynowe.
