AI-modellen worden gebruikt om afzettingen van batterijmateriaal te vinden en vervangers te identificeren

Onderzoekers op het gebied van AI zijn bezig met de ontwikkeling van AI-modellen om de milieueffecten te verminderen die samenhangen met de winning van materialen die worden gebruikt in batterijen. Het mijnbouwexploratiebedrijf Kobold ontwikkelt een AI-model dat in staat is om materialen te detecteren die worden gebruikt in de productie van batterijen in de grond. Ondertussen gebruiken onderzoekers van IBM AI-algoritmen om te bepalen welke alternatieve materialen kunnen worden gebruikt om batterijen te maken.

De vraag naar materialen om batterijen te maken neemt voortdurend toe, aangezien steeds meer objecten op elektriciteit werken. Om aan deze toegenomen vraag te voldoen, moet er meer mijnbouw plaatsvinden en zoeken onderzoekers naar manieren om de milieueffecten van deze grondstofwinning te verminderen. AI heeft het potentieel om de huidige methoden van ertswinning te verbeteren of zelfs te vervangen door technieken die duurzamer zijn.

Volgens IEEE Spectrum, heeft het nieuwe AI-project van KoBold Metals als doel om ertslagen te detecteren in gebieden waar de winning van erts relatief weinig schade zou toebrengen, in vergelijking met de huidige methoden van grondstofwinning. Kobold legde uit dat de AI-modellen die ze ontwikkelen, de behoefte aan invasieve en dure mineralenexploratiemissies aanzienlijk kunnen verminderen, die typisch veel exploraties en scans vereisen om zeldzame materialen te vinden. Volgens KoBold zijn de meeste gemakkelijk toegankelijke materialen al gevonden, hoewel nieuwe minerale afzettingen nodig zullen zijn om het huidige energiesysteem te veranderen.

KoBold werkt samen met het Center for Earth Resource Forecasting van Stanford om een AI-agent te ontwikkelen die aanbevelingen kan doen voor waar bepaalde mineralen kunnen worden gevonden. Het bedrijf wil een AI die in staat is om gebieden aan te bevelen die mogelijk afzettingen van lithium, koper, kobalt, nikkel en andere mineralen bevatten.

Een professor in de geologische wetenschappen aan Stanford, Jef Caers, legde uit dat het concept achter de AI is dat het zal helpen om geologen meerdere locaties te evalueren voor potentieel minerale afzettingen en het beslissingsproces te versnellen. Volgens Caers werkt het AI-model als een zelfrijdende auto, in die zin dat het model zowel gegevens verzamelt als handelt op basis van de gegevens die zijn verzameld uit de omgeving.

Terwijl de samenleving overgaat van auto’s met verbrandingsmotoren naar auto’s op batterijen, met als doel de totale broeikasgasemissies te verminderen, zal meer batterijcapaciteit nodig zijn. Volgens een artikel dat vorige december in het tijdschrift Nature werd gepubliceerd, kunnen er tegen 2050 meer dan 2 miljard elektrische voertuigen op de weg zijn, die ongeveer 12 terawattuur aan jaarlijkse batterijcapaciteit vereisen, wat ongeveer tien keer de huidige capaciteit van de VS is.

De AI-gedreven minerale ontdekkingaanpak van Kobold wordt ondersteund door een gegevensplatform dat informatie over potentieel mijnbouwgebieden bevat, afkomstig uit diverse bronnen. Bodemmonsters, boorrapporten en satellietbeelden worden verzameld en gebruikt als kenmerken voor het AI-model, dat voorspellingen doet over de locaties van hooggeconcentreerde ertslagen. Het is de bedoeling dat het AI-model nauwkeurige voorspellingen doet over welke locaties moeten worden ontgonnen, en dat deze voorspellingen veel sneller worden gedaan dan door een menselijke analist.

Terwijl Kobold AI-modellen ontwikkelt om meer mineralen voor batterijen te vinden, proberen onderzoekers van IBM materialen te vinden die kunnen worden gebruikt als vervanging voor gangbare batterijingredienten zoals lithium en kobalt. De onderzoekers van IBM gebruiken AI-modellen om oplosmiddelen te identificeren die beter kunnen presteren dan de huidige lithium-ionbatterijen. Dit IBM-AI-project richt zich op bestaande en beschikbare materialen, maar een ander IBM-project richt zich op het synthetiseren van nieuwe moleculen die gangbare batterijmaterialen kunnen vervangen.

Het onderzoeksteam van IBM heeft generatieve modellen gebruikt om de moleculaire structuur, smeltpunt, viscositeit en andere kenmerken van bestaande materialen te begrijpen. Het trainen van een generatief model op deze kenmerken stelt de onderzoekers in staat om moleculen te genereren met vergelijkbare eigenschappen.

IBM heeft al zijn AI-systeem gebruikt om nieuwe moleculen te ontwikkelen, die “fotozuurgeneratoren” worden genoemd. Deze fotozuurgeneratoren kunnen ingenieurs helpen om computerchips te ontwikkelen met meer milieuvriendelijke materialen en technieken. Het onderzoeksteam van IBM streeft ernaar om hetzelfde te doen voor batterijtechnologie.