¿Por qué un material prometedor para baterías de estado sólido funciona en el laboratorio y falla tan pronto como entra en una celda completa? La respuesta está en la distancia entre las propiedades ideales y las condiciones reales.
Research on electrolitos sólidos pretende reemplazar los líquidos inflamables de las baterías de iones de litio. En teoría, esta arquitectura podría aumentar la seguridad y permitir el uso de electrodos metálicos de alta capacidad, como el litio metálico. En la práctica, sin embargo, no es suficiente encontrar un sólido que conduce bien a los iones.
La paradoja del material perfecto
Un electrolito sólido debe transportar rápidamente iones de litio, electrones aislados y permanecer estable en contacto con electrodos. También debe ser mecanizada, mecánicamente duradera, compatible con la producción industrial y capaz de mantener su rendimiento después de muchos ciclos.
Estos requisitos pueden ser conflictivos. Un material muy rígido puede limitar el crecimiento de estructuras no deseadas, pero dificultar el contacto entre partículas. Un compuesto altamente conductivo puede reaccionar con el electrodo positivo. Una superficie aparentemente estable puede desarrollar, durante la carga, una capa de reacción que aumenta la resistencia interna.
El resultado es que una medida realizada en una píldora de material puro no describe necesariamente el comportamiento de una batería real. En la célula entra porosidad, presión de montaje, defectos, impurezas, tamaño de partículas, temperatura y procesos de fabricación.
Qué cambios con inteligencia artificial
La inteligencia artificial puede analizar bases de datos de estructuras cristalinas, composiciones químicas y resultados experimentales. Un modelo puede buscar correlaciones entre el arreglo de átomos y propiedades como conductividad ion, estabilidad térmica o compatibilidad con otros materiales.
La principal ventaja no es sólo calcular más rápido. También es establecer qué experimentos merecen prioridad. En lugar de sintetizar miles de compuestos aleatoriamente, los investigadores pueden seleccionar un pequeño grupo de candidatos con características complementarias.
Este enfoque suele denominarse el aprendizaje activo: el modelo propone los materiales más informativos o prometedores, el laboratorio los prepara y los mide, por lo que los nuevos datos actualizan el algoritmo. El ciclo puede reducir el número de pruebas innecesarias, pero no elimina la necesidad de experimentos.
Lascia un commento