Машинное обучение помогает раскрыть весь потенциал углерода в суперконденсаторах

Суперконденсаторы (они же ионисторы) — это устройства, сочетающие в себе положительные черты как конденсаторов (большая скорость заряда/разряда), так и аккумуляторов (большая ёмкость). Они используются в различных областях, таких как транспорт, электроника и возобновляемая энергетика. Однако существующие ионисторы всё же имеют относительно небольшую емкость и, для расширения спектра применения, требуют улучшения материалов, из которых они сделаны.

Один из таких материалов — углерод. Дешевый, химически стабильный материал с высокой проводимостью. Углерод имеет пористую структуру, которая обеспечивает большую поверхность для хранения заряда на границе между углеродом и электролитом — жидкостью, которая переносит ионы между электродами суперконденсатора. Однако не все поры углерода одинаково эффективны для этой цели. Нужен оптимальный баланс между большими и маленькими порами, а также специальные химические группы на поверхности углерода, которые могут участвовать в окислительно-восстановительных реакциях, увеличивая псевдоемкость — еще один вид хранения заряда.

Найти такой оптимальный углеродный материал — непростая задача, которая требует множества экспериментов и анализов. Но современные технологии машинного обучения могут помочь ускорить этот процесс и открыть новые возможности для разработки суперконденсаторов.

Машинное обучение — это раздел искусственного интеллекта, который позволяет компьютерам обучаться на данных и давать предсказания или принимать решения. Машинное обучение может применяться в разных областях, в том числе в проектировании материалов. Например, можно построить модель, которая будет предсказывать свойства материалов на основе их состава и структуры, или которая будет определять оптимальные параметры для синтеза материалов.

Именно такой подход использовали химики из Лаборатории Окриджа по энергетике Министерства энергетики США в сотрудничестве с учеными из Калифорнийского университета в Риверсайде, Национальной лаборатории Аймс и Университета Теннесси в Ноксвилле. Они построили искусственную нейронную сеть — тип модели машинного обучения, который имитирует работу мозга — и обучили ее на данных о емкости углеродных материалов, легированных кислородом и азотом. Затем они установили цель для этой модели — создать «материал мечты» для источника питания.

Модель предсказала, что наибольшая емкость для углеродного электрода составит 570 фарад на грамм, если углерод будет легирован кислородом и азотом. Это значение было в четыре раза выше, чем у типичного коммерческого материала. Кроме того, модель указала на оптимальный баланс между мезопорами — порами размером от 2 до 50 нанометров, и микропорами — порами меньше 2 нанометров. Мезопоры обеспечивают быструю транспортировку электролита, а микропоры — большую поверхность для хранения заряда.

Используя эти предсказания, химики спроектировали и синтезировали новый углеродный материал, который имел рекордную емкость 611 фарад на грамм. Они также провели ряд экспериментов и анализов, чтобы подтвердить и объяснить свойства материала. Они обнаружили, что мезопоры, лешированные кислородом и азотом, вносят наибольший вклад в общую емкость, а псевдоемкость от окислительно-восстановительных реакций на поверхности углерода составляет 25% от общей емкости. Они также измерили скорость диффузии электролита в порах разного размера и показали, что она зависит от диаметра пор.

Это исследование является примером успешного применения машинного обучения в проектировании материалов. Благодаря этому подходу, химики смогли достичь за три месяца того, что раньше занимало бы не менее года. Они также открыли новые горизонты для развития ионисторов, которые могут хранить больше энергии и заряжаться быстрее.