El Laboratorio Nacional Lawrence Livermore (LLNL) implementa metodologías fundamentadas en el aprendizaje automático basado en la física. Mediante este enfoque técnico, los científicos logran evaluar las complejas relaciones estructurales y de comportamiento de los materiales empleados en los dispositivos de almacenamiento avanzados.
El aprendizaje automático y la dinámica molecular en ánodos de carbono
Un estudio publicado en la revista Energy Storage Materials aborda la optimización de las baterías de iones de sodio. Ciertamente, el sodio representa una alternativa viable debido a su abundancia y disponibilidad en el mercado. No obstante, los ánodos comerciales de este tipo utilizan carbono duro, una estructura desordenada de láminas arrugadas que dificulta el análisis de ingeniería tradicional. De ahí que el equipo del LLNL utilizara computación de alto rendimiento para simular el comportamiento exacto de cada átomo a lo largo del tiempo.
Por consiguiente, los investigadores emplearon estas simulaciones detalladas para entrenar algoritmos avanzados capaces de proyectar las interacciones atómicas a gran escala. Así mismo, la herramienta clasificó el movimiento de los iones de sodio en dos regímenes específicos determinados por su interacción con el carbono. De este modo, se generó un mapa cuantitativo que conecta la microestructura con el transporte iónico, ofreciendo vías claras para mejorar la velocidad de carga y la seguridad térmica.
La estabilidad electroquímica tridimensional en electrolitos de litio
Por otra parte, la investigación difundida en EES Batteries traslada esta misma metodología al perfeccionamiento de los electrolitos líquidos para baterías de iones de litio. Tradicionalmente, el diseño de un electrolito óptimo plantea un desafío complejo debido a la enorme cantidad de combinaciones posibles entre disolventes, sales y aditivos. Adicionalmente, los modelos de análisis convencionales suelen ignorar la geometría tridimensional de las moléculas al limitarse a representaciones textuales planas.
Para solucionar esta limitación, los expertos generaron configuraciones moleculares tridimensionales mediante dinámicas moleculares integradas en modelos de aprendizaje automático. De esta manera, el sistema evaluó la estabilidad estadística de cada estructura compleja. Finalmente, el análisis reveló que la estabilidad electroquímica global depende estrechamente del conjunto molecular completo, superando la simple suma de los componentes individuales de la mezcla.
Fuente y foto: LLNL
