这套名为Clio的系统包括自动泵、阀门和仪器系统，可以将各种溶剂、盐和其他化学品混合在一起，然后测量该解决方案在关键电池基准上的表现。这些结果会被输入到名为蜻蜓（Dragonfly）的机器学习系统中，该系统使用这些数据产生可能效果更好的不同化学组合。
根据Nature Communications上的一篇论文，当卡内基研究人员将它们放入测试用小型电池时，该系统最终产生了六种电解质溶液，性能均优于标准溶液。最优秀的溶液比性能最佳的基准电池提高了13%。
开发更好的电解质对于提高电池的性能和安全性，以及降低其成本至关重要。更快的充电电池可以让电动汽车和卡车更具吸引力，因为这可以缩短在充电站耽误的时间。
近年来，研究实验室越来越多地将自动化系统与机器学习软件相结合，机器学习软件可以通过识别数据模式以改进特定任务，进而开发出非常适合特定
应用的材料。
科学家们已经利用这些方法来寻找用于固态电解质、太阳能光伏电池和电化学催化剂的有潜力的材料。也出现了几家初创公司将这种方法商业化，包括Chemify和Aionics。
艾伦·阿斯普鲁·古齐克（Alán Aspuru-Guzik）正在使用人工智能、机器人，甚至是量子计算来创造我们应对气候变化所需的新材料。
从历史上看，从事新材料发现的研究人员会通过理智的猜测和推测，以及试错一些组合来设计和测试不同的材料选项。但考虑到大量可能的物质和组合的存在，这是一个困难且耗时的过程。许多研究人员会无意间走上错误的道路。
就电解质成分而言，“你可以通过数十亿种方式混合和匹配它们，”卡内基梅隆大学副教授、自然通讯论文的合著者、Aionics的联合创始人兼首席科学家文卡特·维斯瓦纳坦（Venkat Viswanathan）说。他与其他卡内基大学的研究人员合作，探索机器人技术和机器学习如何提供帮助。
像Clio和Dragonfly这样的系统的优势是，它能够以非常快的速度工作，还能比人类研究员探索更广泛的组合可能性，最后以系统的方式应用它所学到的东西。
文卡特说，Dragonfly没有被输入有关化学或电池的信息，因此除了研究人员选择第一种混合物这一事实之外，它的建议并没有带有太大的偏见。从第一种混合物开始，它尝试了各种各样的组合，从最初的轻微改进，到完全意想不到的建议，它逐渐可以混合多种成分并根据制定好的目标提供表现越来越好的结果。
就电池实验而言，卡内基梅隆大学团队正在寻找一种能够加速电池充电效率的电解质。电解质溶液可以帮助离子在两个电极之间穿梭。在放电过程中，锂离子在被称为阳极的负极产生，并通过溶液流向正极，即阴极，在那里它们获得电子。在充电期间，该过程正相反。
Clio测量并试图优化的关键指标之一是“离子电导率”，即离子流过溶液的难易程度，它直接影响电池充电的速度。
但商业电解质面临的另一个挑战是，它们必须在包括总生命周期、功率输出和安全性在内的各个方面表现良好，而一个方面的改进往往会以其他方面为代价。
在接下来的工作中，卡内基梅隆大学的研究人员希望加速机器人实验，改进机器学习工具，并且运行具有多个性能目标的实验，而不是单一的性能目标。
研究人员最大的希望是自动化和机器学习可以加速下一组突破性材料的发现，在加速降低全球碳排放的同时，帮助提供更好的电池和更高效的光伏发电。
支持：Ren
原文：
https://www.technologyreview.com/2022/09/27/1060087/how-robots-and-ai-are-helping-develop-better-batteries/
