సోడియం-అయాన్ బ్యాటరీల కోసం మంచి కంపోజిషన్‌లను కనుగొనడానికి మెషిన్ లెర్నింగ్‌ను ప్రభావితం చేయడం

సోడియం అయాన్‌లను శక్తి వాహకాలుగా ఉపయోగించే సోడియం-అయాన్ (Na-ion) బ్యాటరీలు సోడియం యొక్క సమృద్ధి, వాటి అధిక భద్రత మరియు తక్కువ ధర కారణంగా LIBలకు మంచి ప్రత్యామ్నాయాన్ని అందిస్తాయి. ప్రత్యేకించి, సోడియం-కలిగిన పరివర్తన-మెటల్ లేయర్డ్ ఆక్సైడ్లు (NaMeO₂) Na-ion బ్యాటరీల సానుకూల ఎలక్ట్రోడ్ కోసం శక్తివంతమైన పదార్థాలు, అసాధారణమైన శక్తి సాంద్రత మరియు సామర్థ్యాన్ని అందిస్తాయి. అయినప్పటికీ, అనేక పరివర్తన లోహాలతో కూడిన బహుళ-మూలకాల లేయర్డ్ ఆక్సైడ్‌ల కోసం, సాధ్యమయ్యే కలయికల సంఖ్య సంక్లిష్టమైన మరియు సమయం తీసుకునే సరైన కూర్పును కనుగొనేలా చేస్తుంది. పరివర్తన లోహాల ఎంపిక మరియు నిష్పత్తిలో చిన్న మార్పులు కూడా క్రిస్టల్ పదనిర్మాణంలో గుర్తించదగిన మార్పులను తీసుకురాగలవు మరియు బ్యాటరీ పనితీరును ప్రభావితం చేస్తాయి.

ఇప్పుడు, ఇటీవలి అధ్యయనంలో, జపాన్‌లోని టోక్యో యూనివర్శిటీ ఆఫ్ సైన్స్ (TUS) నుండి Ms. సయా సెకిన్ మరియు Dr. Tomooki Hosaka మరియు చామర్స్ యూనివర్శిటీ ఆఫ్ టెక్నాలజీ నుండి ప్రొఫెసర్ షినిచి కొమాబా నేతృత్వంలోని పరిశోధనా బృందం మరియు ప్రొఫెసర్ మసనోబు నకయామా ఉన్నారు. నాగోయా ఇన్‌స్టిట్యూట్ ఆఫ్ టెక్నాలజీ, ఆశాజనకమైన కంపోజిషన్‌ల కోసం అన్వేషణను క్రమబద్ధీకరించడానికి మెషిన్ లెర్నింగ్‌ను ఉపయోగించింది. వారి అధ్యయనం యొక్క ఫలితాలు సెప్టెంబర్ 05, 2024న సరికాని రుజువులతో స్వీకరించబడ్డాయి మరియు ఆన్‌లైన్‌లో ప్రచురించబడ్డాయి జర్నల్ ఆఫ్ మెటీరియల్స్ కెమిస్ట్రీ A ప్రూఫ్ రీడింగ్ తర్వాత నవంబర్ 06, 2024న. ఈ పరిశోధన అధ్యయనానికి నిధుల ఏజెన్సీలు JST-CREST, DX-GEM మరియు JST-GteX మద్దతు ఇస్తున్నాయి.

బృందం వివిధ NaMeOలో ఎలిమెంటల్ కంపోజిషన్‌ల స్క్రీనింగ్‌ను ఆటోమేట్ చేయడానికి ప్రయత్నించింది₂ O3-రకం పదార్థాలు. ఈ క్రమంలో, వారు మొదట 68 విభిన్న కంపోజిషన్‌లతో O3-రకం సోడియం సగం కణాల నుండి 100 నమూనాల డేటాబేస్‌ను సమీకరించారు, కొమాబా బృందం 11 సంవత్సరాల కాలంలో సేకరించారు. “డేటాబేస్ NaMeO యొక్క కూర్పును కలిగి ఉంది₂ నమూనాలు, నేను Mn, Ti, Zn, Ni, Zn, Fe మరియు Sn వంటి పరివర్తన లోహం, అలాగే ఛార్జ్-డిశ్చార్జ్ పరీక్షల ఎగువ మరియు దిగువ వోల్టేజ్ పరిమితులు, ప్రారంభ ఉత్సర్గ సామర్థ్యం, ​​సగటు ఉత్సర్గ వోల్టేజ్, మరియు 20 చక్రాల తర్వాత సామర్థ్య నిలుపుదల” అని కొమాబా వివరించాడు.

సమర్థవంతమైన శోధనను నిర్వహించడానికి అనేక యంత్ర అభ్యాస అల్గారిథమ్‌లను, అలాగే బయేసియన్ ఆప్టిమైజేషన్‌ను కలిగి ఉన్న మోడల్‌కు శిక్షణ ఇవ్వడానికి పరిశోధకులు ఈ డేటాబేస్‌ను ఉపయోగించారు. ఆపరేటింగ్ వోల్టేజ్, కెపాసిటీ నిలుపుదల (జీవితకాలం) మరియు శక్తి సాంద్రత వంటి లక్షణాలు NaMeO కూర్పుతో ఎలా సంబంధం కలిగి ఉన్నాయో తెలుసుకోవడం ఈ మోడల్ యొక్క లక్ష్యం.₂ లేయర్డ్ ఆక్సైడ్లు, మరియు ఈ లక్షణాల మధ్య కావలసిన సమతుల్యతను సాధించడానికి అవసరమైన మూలకాల యొక్క సరైన నిష్పత్తిని అంచనా వేయడానికి.

ఫలితాలను విశ్లేషించిన తర్వాత, మోడల్ Na (Mn.)ను అంచనా వేసినట్లు బృందం కనుగొంది_0.36లో_0.44యొక్క_0.15ఫె_0.05)ఓ₂ ఎలక్ట్రోడ్ పదార్ధాలలో అత్యంత ముఖ్యమైన లక్షణాలలో ఒకటిగా ఉన్న అత్యధిక శక్తి సాంద్రతను సాధించడానికి సరైన కూర్పు. మోడల్ అంచనా యొక్క ఖచ్చితత్వాన్ని ధృవీకరించడానికి, వారు ఈ కూర్పుతో నమూనాలను సంశ్లేషణ చేశారు మరియు ఛార్జ్-డిచ్ఛార్జ్ పరీక్షలను అమలు చేయడానికి ప్రామాణిక నాణెం కణాలను సమీకరించారు.

కొలిచిన విలువలు చాలా వరకు, ఊహించిన వాటికి అనుగుణంగా ఉంటాయి, మోడల్ యొక్క ఖచ్చితత్వాన్ని మరియు కొత్త బ్యాటరీ పదార్థాలను అన్వేషించడానికి దాని సామర్థ్యాన్ని హైలైట్ చేస్తాయి. “మా అధ్యయనంలో స్థాపించబడిన విధానం విస్తృత శ్రేణి సంభావ్య అభ్యర్థుల నుండి మంచి కూర్పులను గుర్తించడానికి సమర్థవంతమైన పద్ధతిని అందిస్తుంది,” అని కొమాబా వ్యాఖ్యానించాడు, “అంతేకాకుండా, ఈ పద్దతి క్వినరీ ట్రాన్సిషన్ మెటల్ ఆక్సైడ్‌ల వంటి మరింత సంక్లిష్టమైన మెటీరియల్ సిస్టమ్‌లకు విస్తరించబడుతుంది.”

ఆశాజనక పరిశోధన మార్గాలను గుర్తించడానికి మెషిన్ లెర్నింగ్‌ని ఉపయోగించడం అనేది మెటీరియల్ సైన్స్‌లో పెరుగుతున్న ధోరణి, ఎందుకంటే ఇది కొత్త మెటీరియల్‌లను పరీక్షించడానికి అవసరమైన ప్రయోగాల సంఖ్య మరియు సమయాన్ని గణనీయంగా తగ్గించడంలో శాస్త్రవేత్తలకు సహాయపడుతుంది. ఈ అధ్యయనంలో సమర్పించబడిన వ్యూహం తదుపరి తరం బ్యాటరీల అభివృద్ధిని వేగవంతం చేయగలదు, ఇవి బోర్డు అంతటా శక్తి నిల్వ సాంకేతికతలను విప్లవాత్మకంగా మార్చగల సామర్థ్యాన్ని కలిగి ఉంటాయి. ఇందులో పునరుత్పాదక శక్తి ఉత్పత్తి మరియు ఎలక్ట్రిక్ లేదా హైబ్రిడ్ వాహనాలు మాత్రమే కాకుండా ల్యాప్‌టాప్‌లు మరియు స్మార్ట్‌ఫోన్‌లు వంటి వినియోగదారు ఎలక్ట్రానిక్స్ కూడా ఉన్నాయి. అంతేకాకుండా, బ్యాటరీ పరిశోధనలో మెషిన్ లెర్నింగ్ యొక్క విజయవంతమైన అప్లికేషన్‌లు ఇతర రంగాలలో మెటీరియల్ డెవలప్‌మెంట్ కోసం ఒక టెంప్లేట్‌గా ఉపయోగపడతాయి, విస్తృత మెటీరియల్ సైన్స్ ల్యాండ్‌స్కేప్‌లో ఆవిష్కరణను వేగవంతం చేస్తుంది.

“మెషీన్ లెర్నింగ్‌ని ఉపయోగించడం ద్వారా ప్రయోగాల సంఖ్యను తగ్గించవచ్చు, ఇది మెటీరియల్‌ల అభివృద్ధిని వేగవంతం చేయడానికి మరియు తగ్గించడానికి మాకు ఒక అడుగు దగ్గరగా తీసుకువస్తుంది. ఇంకా, Na-ion బ్యాటరీల కోసం ఎలక్ట్రోడ్ మెటీరియల్‌ల పనితీరు మెరుగుపడటం కొనసాగుతుంది, ఇది అంచనా వేయబడింది. భవిష్యత్తులో తక్కువ ఖర్చుతో అధిక-సామర్థ్యం మరియు దీర్ఘ-జీవిత బ్యాటరీలు అందుబాటులోకి వస్తాయి” అని కొమాబా ముగించారు.