L’apprendimento attivo rivoluzionerà la progettazione delle flow battery?
(Rinnovabili.it) – Un accumulo energetico efficiente, economico e sostenibile? In molti casi è tutta questione di chimica. E per selezionare quella “migliore” un gruppo di scienziati ha deciso di affidarsi all’intelligenza artificiale (AI). Succede negli Stati Uniti dove l’Argonne National Laboratory ha impiegato un nuovo algoritmo di ottimizzazione per studiare le molecole più efficienti per le battery flow o batterie di flusso.
Questi dispositivi, promettente segmento dell’accumulo stazionario, sono costituiti da due serbatoi contenti gli elettroliti e una cella elettrochimica. Il particolare design richiede che le soluzioni elettrolitiche vengano fatte fluire sugli elettrodi all’interno della cella, dove una membrana permette il passaggio solo dei protoni. La tecnologia presenta dei vantaggi innegabili, a cominciare dalla capacità di offrire un ciclo di vita molto più lungo dei concorrenti e tempi di risposta rapida. Uno degli aspetti che richiede ancora lavoro riguarda la possibilità di trovare molecole bersaglio che offrano la capacità di immagazzinare molta energia rimanendo stabili per lunghi periodi di tempo.
Leggi anche Dalla Cina la batteria di flusso che “gioca con il TEMPO”
I ricercatori dell’Argonne National Laboratory si sono rivolti al potere dell’IA per cercare in un vasto registro di oltre un milione di molecole. “Sappiamo che la maggior parte delle molecole di cui abbiamo bisogno dovrà soddisfare più proprietà”, spiega il chimico Rajeev Assary. “Ottimizzando diverse caratteristiche simultaneamente abbiamo buone possibilità di trovare la miglior chimica possibile per la nostra batteria di flusso”.
In un nuovo studio, Assary e colleghi hanno modellato elettroliti a base di diversi redoxmer, termine che indica oligomeri, dimeri, polimeri e colloidi elettricamente attivi. L’obiettivo? Trovare quelli in grado offrire diverse caratteristiche interessanti per le battery flow. Per ogni redoxmer, i ricercatori hanno identificato tre proprietà chiave: potenziale di riduzione, energia libera da solvatazione (che riguardano entrambi la quantità di energia che la molecola può immagazzinare) e fluorescenza (caratteristica che può fungere da indicatore dello stato di salute generale della batteria.
Leggi anche Se la batteria di flusso inizia a produrre idrogeno pulito
Avendo a che fare con un milione di possibili candidati, il team ha adottato una tecnica di IA chiamata apprendimento attivo, in cui un modello può effettivamente auto-addestrarsi per identificare obiettivi sempre più plausibili. “Stiamo essenzialmente alla ricerca di aghi in mucchi di fieno”, ha sottolineato il ricercatore Hieu Doan. “Quando il nostro modello trova qualcosa che assomiglia a un ago, impara a trovarne di più”. Secondo Assary, l’algoritmo di ottimizzazione potrebbe avere usi oltre le batterie a flusso. In teoria, ha affermato, potrebbe dare una mano ad altri dispositivi di accumulo elettrochimico e persino ad altri campi di studio. Lo studio è stato pubblicato su Chemistry of Materials (testo in inglese).