AI-modeller bruges til at finde aflejringer af batterimaterialer og identificere erstatninger

AI-forskere er i gang med at udvikle AI-modeller til at reducere de miljømæssige konsekvenser forbundet med udvindingen af materialer, der bruges i batterier. Startup-virksomheden Kobold udvikler en AI-model, der kan detektere materialer, der bruges til at lave batterier, i jorden. Samtidig bruger en gruppe forskere fra IBM AI-algoritmer til at bestemme, hvilke alternative materialer der kan bruges til at lave batterier.

Efterspørgslen efter materialer til at lave batterier er øgende hele tiden, da flere og flere genstande bliver drevet af elektricitet. For at imødekomme denne øgede efterspørgsel skal der udvindes mere, og forskerne søger efter måder at reducere de miljømæssige konsekvenser af disse ressource-udvindingsoperationer. AI har potentialet til at forbedre nuværende metoder til udvinding af malm eller endda erstatte disse metoder med mere bæredygtige teknikker.

Ifølge IEEE Spectrum, har KoBold Metals et nyt AI-projekt, der sigter mod at detektere malmforekomster i områder, hvor udvindingen af malmen ville medføre relativt mindre skade sammenlignet med nuværende ressource-udvindingsmetoder. Kobold forklarede, at de AI-modeller, de udvikler, kunne dramatisk reducere behovet for invasive og dyre mineral-udforskningsekspeditioner, der typisk kræver mange udforskninger og skanninger for at finde sjældne materialer. Ifølge KoBold er de fleste af de lettilgængelige materialer allerede blevet fundet, selv om der vil blive behov for nye mineralforekomster for at ændre det nuværende energisystem.

KoBold arbejder sammen med Stanfords Center for Earth Resource Forecasting for at udvikle en AI-agent, der kan give anbefalinger for, hvor man kan finde bestemte mineraler. Startup-virksomheden ønsker en AI, der kan anbefale områder, der måske indeholder forekomster af lithium, kobber, kobolt, nikkel og andre mineraler.

En professor i geologiske videnskaber ved Stanford, Jef Caers, forklarede, at konceptet bag AI’en er, at den skal hjælpe geologer med at evaluere multiple steder for potentiale mineralforekomster og accelerere beslutningsprocessen. Ifølge Caers fungerer AI-modellen som en selv kørende bil, idet modellen både indsamler og handler på data fra den omgivende miljø.

Da samfundet går over fra fossilt brændstof-drevne biler til batteridrevne biler for at reducere de samlede drivhusgasemissioner, vil der blive behov for mere batterikapacitet. Ifølge en artikel, der blev offentliggjort i tidsskriftet Nature sidste december, kunne der være over 2 milliarder elektriske køretøjer på vejene i 2050, hvilket vil kræve omkring 12 terawatt-timers årlig batterikapacitet, hvilket er cirka ti gange den nuværende kapacitet i USA.

Kobolds AI-drevne mineral-udforskning tilgang understøttes af en data-platform, der gemmer informationer om potentiale mine-områder fra en række kilder. Jordprøver, bore-rapporter og satellit-billeder indsamles og bruges som funktioner for AI-modellen, der giver forudsigelser om beliggenheden af højkoncentrerede malmforekomster. Det håbes, at AI-modellen kan give nøjagtige forudsigelser om, hvilke områder der bør mines, og at disse forudsigelser kommer meget hurtigere end dem, der kan gives af en menneskelig analytiker.

Mens Kobold designer AI-modeller til at finde flere mineraler til batterier, forsøger forskere fra IBM at finde materialer, der kan erstatte almindelige batteri-ingredienser som lithium og kobolt. IBM-forskerne bruger AI-modeller til at identificere opløsninger, der kan overgå nuværende lithium-ion-batterier. Dette IBM-AI-projekt fokuserer på eksisterende og tilgængelige materialer, men et andet IBM-projekt sigter mod at syntetisere nye molekyler, der kan erstatte almindelige batteri-materialer.

IBM-forskerne anvendte generative modeller til at forstå den molekylære struktur, smeltepunkt, viskositet og andre egenskaber hos eksisterende materialer. Træning af en generativ model på disse funktioner giver forskerne mulighed for at generere molekyler med lignende egenskaber.

IBM har allerede brugt deres AI-system til at udvikle nye molekyler kaldet “foto-syre-generatore”. Disse foto-syre-generatore kunne hjælpe ingeniører med at udvikle computerchips, der bruger mere miljøvenlige materialer og teknikker. IBM-forskningsholdet sigter mod at gøre det samme for batteriteknologi.