Gli smartphone sono oggetti tecnologici molto complessi, costruiti da numerose componenti hardware che lavorano in sinergia per un ottimale utilizzo del device. Senza dubbio, la parte più sfruttata nei processi e quindi anche quella che perde potenza velocemente è la batteria, che, col corso del tempo e dei cicli di ricarica, tende a diventare sempre meno performante. Non è un caso, infatti, che sia la componente hardware più cambiata per i cellulari.
Progettare i migliori componenti molecolari per la batteria è facile ma allo stesso tempo difficile, visto le numerose combinazioni che si possono fare La sfida consiste nel determinare quali ingredienti funzionano meglio insieme. Ma anche con i supercomputer all’avanguardia, gli scienziati non possono modellare con precisione le caratteristiche chimiche di ogni molecola che potrebbe rivelarsi la base di un materiale per batterie di nuova generazione.
La ricerca di una batteria sempre migliore
Invece, i ricercatori del laboratorio nazionale Argonne del Dipartimento dell’Energia degli Stati Uniti (DOE) si sono rivolti al potere dell’apprendimento automatico e dell’intelligenza artificiale per accelerare notevolmente il processo di scoperta della batteria.
Come descritto in due nuovi articoli, i ricercatori di Argonne hanno inizialmente creato un database estremamente accurato di circa 133.000 piccole molecole organiche che potrebbero costituire la base degli elettroliti della batteria. Per fare ciò, hanno usato un modello ad alta intensità computazionale chiamato G4MP2. Questa raccolta di molecole, tuttavia, rappresentava solo un piccolo sottoinsieme di 166 miliardi di molecole più grandi che gli scienziati volevano sondare per i candidati elettroliti.
Poiché l’utilizzo di G4MP2 per scoprire quale fosse la combinazione migliore su milioni e milioni di possibili scelte sarebbe servito tempo infinito, il team di ricerca ha utilizzato un algoritmo di apprendimento automatico per mettere in relazione le strutture conosciute con precisione dal set di dati più piccolo con strutture molto più grossolanamente modellate dal set di dati più grande.
“Quando si tratta di determinare come funzionano queste molecole, ci sono grandi compromessi tra l’accuratezza e il tempo necessario per calcolare un risultato”, ha dichiarato Ian Foster, direttore della divisione Data Science and Learning di Argonne e autore di uno degli articoli. “Riteniamo che l’apprendimento automatico rappresenti un modo per ottenere un quadro molecolare che è quasi altrettanto preciso a una frazione del costo computazionale.”