人工智能模型用于发现电池材料的沉积和识别替代品

人工智能研究人员正在开发人工智能模型，以减少与电池材料提取相关的环境影响。矿业勘探初创公司Kobold正在开发一种能够检测电池中使用的材料的AI模型。同时，IBM的一组研究人员正在使用人工智能算法来确定可以用来制造电池的替代材料。

随着更多物体由电力驱动，制造电池所需的材料需求不断增加。为了满足这种增加的需求，需要进行更多的采矿，研究人员正在寻找减少这些资源开采操作的环境影响的方法。人工智能有可能改进当前的提取方法，甚至用更可持续的技术替代这些方法。

根据IEEE Spectrum的报道，KoBold Metals的新AI项目旨在检测矿石沉积，在这些地区提取矿石会造成相对较小的损害，相比当前的资源开采方法。Kobold解释说，他们正在开发的AI模型可以大大减少对侵入性、昂贵的矿物勘探任务的需求，这些任务通常需要进行许多勘探和扫描来找到稀有材料。根据KoBold的说法，已经发现了大部分容易获取的材料，尽管新的矿物沉积将需要改变当前的能源系统。

KoBold与斯坦福大学地球资源预测中心合作，开发了一种可以推荐矿物沉积位置的AI代理。该初创公司希望开发出一种能够推荐可能含有锂、铜、钴、镍等矿物的区域的AI。

斯坦福大学地质科学教授Jef Caers解释说，AI的概念是帮助地质学家评估多个矿物沉积的位置，并加快决策过程。根据Caers的说法，AI模型的工作方式类似于自动驾驶汽车，即模型既收集又处理来自周围环境的数据。

随着社会从化石燃料动力汽车转向电池动力汽车，目标是减少整体温室气体排放，需要更多的电池容量。根据发表在《自然》杂志上的论文，去年12月，到2050年，可能会有超过20亿辆电动汽车上路，需要大约12太瓦时的年度电池容量，这大约是美国当前现有容量的十倍。

Kobold的AI驱动矿物发现方法由一个存储来自各种来源的潜在矿区信息的数据平台支持。土壤样本、钻井报告和卫星图像被收集并用作AI模型的特征，该模型对高浓度矿石沉积的位置进行预测。希望AI模型能够快速准确地预测哪些矿区应该被开采，这比人类分析师的预测速度要快得多。

虽然Kobold正在设计AI模型来找到更多的电池材料，但IBM的研究人员正在尝试找到可以替代锂和钴等常见电池成分的材料。IBM研究人员正在使用AI模型来确定可以超越当前锂离子电池的溶剂。这个IBM AI项目专注于当前现有的和可用的材料，但另一个IBM项目旨在合成可以替代常见电池材料的新分子。

IBM研究团队使用生成模型来理解现有材料的分子结构、熔点、粘度和其他属性。训练生成模型以这些特征为基础，允许研究人员生成具有相似特性的分子。

IBM已经使用他们的AI系统设计了新的分子，称为“光酸发生器”。这些光酸发生器可以帮助工程师使用更环保的材料和技术开发计算机芯片。IBM研究团队旨在为电池技术做同样的事情。