شناسایی ماده‌ای رکوردشکن برای خازن‌های فیلم با بازده ۹۰٪
دانشمندان فرآیند نوآورانه‌ای را برای شناسایی ماده‌ای رکوردشکن برای خازن‌های فیلم توسعه داده‌اند که برای خودروهای الکتریکی ایمن و قابل اطمینان و در بسیاری از فناوری‌های انرژی مورد نیاز است.
این آزمایش به رهبری دانشمندان آزمایشگاه برکلی، از مجموعه‌ای از مدل‌های یادگیری ماشینی نوآورانه برای کشف ماده‌ای با کارایی بالا برای خازن‌های فیلم استفاده کرد.
یی لیو، دانشمند ارشد در آزمایشگاه برکلی که این مطالعه را رهبری کرد، بیان کرد که برای فناوری‌های انرژی تجدیدپذیر مقرون به صرفه و قابل اطمینان، جهان نیاز به مواد خازنی با عملکرد بهتر از آنچه اکنون در دسترس است را دارد.
ی "این تکنیک غربالگری انقلابی
به ما کمک می‌کند تا این مواد ’سوزن در انبار کاه‘ را پیدا کنیم،" اضافه کرد.
غربالگری کتابخانه‌ای با نزدیک به ۵۰ هزار ساختار شیمیایی
این تکنیک برای غربالگری کتابخانه‌ای با نزدیک به ۵۰ هزار ساختار شیمیایی به کار رفته است تا ترکیبی با عملکرد رکوردشکن شناسایی کند. خازن‌های فیلم به مواد مقاوم در برابر حرارت نیاز دارند زیرا از این‌ها برای تنظیم کیفیت قدرت در انواع مختلف سیستم‌های قدرت استفاده می‌شود. به عنوان مثال، آن‌ها می‌توانند از جریان‌های چین‌دار جلوگیری کرده و تغییرات ولتاژ را هموار کنند که از عملکرد پایدار، ایمن و قابل اطمینان اطمینان حاصل می‌کند.
محققان اظهار داشتند که در حالی که
باتری‌ها
از واکنش‌های شیمیایی برای ذخیره و آزادسازی انرژی در طول دوره‌های طولانی استفاده می‌کنند، خازن‌ها از میدان‌های الکتریکی کاربردی برای شارژ و تخلیه انرژی بسیار سریع‌تر استفاده می‌کنند.
برای تسریع کشف، تیم تحقیقاتی مجموعه‌ای از مدل‌های یادگیری ماشینی معروف به شبکه‌های عصبی پیش‌خور را توسعه و آموزش داد تا کتابخانه‌ای متشکل از نزدیک به ۵۰ هزار پلیمر را برای یافتن بهینه‌ترین ترکیب از خواص، از جمله توانایی مقاومت در برابر دماهای بالا و میدان‌های الکتریکی قوی، تراکم ذخیره انرژی بالا و سهولت سنتز، غربالگری کند. مدل‌ها سه پلیمر به خصوص امیدوارکننده را شناسایی کردند، طبق یک
بیانیه مطبوعاتی
.
پلیمرهای مقاوم در برابر حرارت
همچنین گفته شده است که پلیمرها — مولکول‌های بزرگ با واحدهای شیمیایی تکراری — برای ماده عایق در خازن‌های فیلم مناسب هستند به دلیل وزن سبک، انعطاف‌پذیری، و مقاومتشان تحت میدان‌های
الکتریکی
کاربردی.
منتشر شده در مجله
Nature Energy
، استراتژی هدایت شده با یادگیری ماشینی تحقیق به سرعت پلیمرهای با کارایی بالا و مقاوم در برابر حرارت شناسایی می‌کند.
یک شبکه عصبی پیش‌خور قابل اعتماد برای پیش‌بینی پارامترهای کلیدی پراکسی و حذف انتخاب نامزدهای پلیمری از کتابخانه‌ای نزدیک به ۵۰ هزار پلی‌سولفات آموزش داده می‌شود. شیمی تبادل گوگرد فلوراید کلیک نظیر به نظیر بسیار کارآمد و مدولار امکان سنتز و اعتبار سنجی موفق نامزدهای منتخب را فراهم می‌کند، طبق گفته محققان.
در مولکولار فاندری آزمایشگاه برکلی، محققان خازن‌های فیلم را از این پلیمرها ساختند و سپس هم پلیمرها و هم خازن‌ها ارزیابی کردند. تیم یافت که آن‌ها عملکرد الکتریکی و حرارتی استثنائی دارند. خازن‌های ساخته شده از یکی از پلیمرها مجموعه‌ای رکورد بالا از مقاومت حرارتی، خواص عایق، تراکم انرژی، و کارایی را مطابق با
بیانیه
نشان دادند.
"یک پلی‌سولفات دارای واحد تکراری 9,9-di(naphthalene)-فلورین مقاومت حرارتی عالی نشان می‌دهد و به تراکم انرژی تخلیه شده فوق‌العاده بالا با کارایی بیش از 90٪ در ۲۰۰°C می‌رسد. پایداری سیکلی فوق‌العاده آن نشانه‌ای از وعده آن برای کاربردها در محیط‌های الکتریکی سخت است،" محققان در
مطالعه
ابراز کردند.
بری شارپلس، یکی از محققان اصلی پروژه، بیان کرد که تحلیل هوش مصنوعی به سرعت برخی متغیرهای کلیدی در جزئیات طراحی پلیمرها را شناسایی کرد که پیش‌بینی می‌شد بهبودهای بزرگی در خواص حفاظتی این ممبرین‌های پلی‌سولفات افزوده کنند.
"همانطور که در مطالعه جدید ما در
Nature Energy
گزارش شده است، این پیش‌بینی‌های اولیه یادگیری ماشینی برای بهبود خازن‌ها به طور چشمگیری با آزمایش تأیید شدند،" شارپلس اضافه کرد.
