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

AI-onderzoekers zijn bezig met het ontwikkelen van AI-modellen om de milieueffecten te verminderen die verbonden zijn aan 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 gebruikt een team van onderzoekers van IBM AI-algoritmen om te bepalen welke alternatieve materialen kunnen worden gebruikt om batterijen te creëren.

De vraag naar materialen om batterijen te creëren neemt voortdurend toe, omdat steeds meer objecten op elektriciteit werken. Om aan deze toegenomen vraag te voldoen, zal meer mijnbouw moeten plaatsvinden en onderzoekers zoeken 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, KoBold Metals’ nieuw AI-project heeft als doel om ertslagen te detecteren in gebieden waar het winnen 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 mineraalafzettingen nodig zullen zijn om het huidige energiesysteem te veranderen.

KoBold werkt samen met Stanford’s Center for Earth Resource Forecasting om een AI-agent te ontwikkelen die aanbevelingen kan doen voor waar bepaalde mineralen kunnen worden gevonden. Het bedrijf wil een AI die kan aanbevelen welke gebieden mogelijk afzettingen van lithium, koper, kobalt, nikkel en andere mineralen kunnen 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 mineraalafzettingen en het besluitvormingsproces 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 omgevingsomgeving.

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

Kobold’s AI-gedreven benadering van mineraalontdekking wordt ondersteund door een dataplatform dat informatie over potentieel mijnbouwgebieden bevat, afkomstig van diverse bronnen. Bodemmonsters, boorrapporten en satellietbeelden worden verzameld en gebruikt als kenmerken voor het AI-model, dat voorspellingen doet over de locaties van sterk geconcentreerde ertsafzettingen. Het is de bedoeling dat het AI-model nauwkeurige voorspellingen doet over welke locaties moeten worden ontgonnen, waarbij de 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 batterijingrediënten zoals lithium en kobalt. De IBM-onderzoekers gebruiken AI-modellen om oplossingen 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 heeft als doel om nieuwe moleculen te synthetiseren die kunnen worden gebruikt als vervanging voor gangbare batterijmaterialen.

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

IBM heeft hun AI-systeem al gebruikt om nieuwe moleculen te ontwikkelen, genaamd “fotozuurgeneratoren”. Deze fotozuurgeneratoren kunnen ingenieurs helpen bij het ontwikkelen van computerchips met meer milieuvriendelijke materialen en technieken. Het IBM-onderzoeksteam heeft als doel om hetzelfde te doen voor batterijtechnologie.