Künstliche Intelligenz beschleunigt die Forschung an Batteriematerialien
Gegenwärtige gesellschaftliche Themen wie die Energiewende und die E-Mobilität erfordern von Wissenschaftlerinnen und Wissenschaftler schnelle Fortschritte in der Batterieforschung . Daher verbindet das Konzept von BIG-MAP die komplementären Kräfte rechnerischer und experimenteller Methoden. Das Projekt ist in die Initiative BATTERY 2030+ eingebettet und führt durch maschinelles Lernen (ML) angetriebenen Simulationen und durch künstliche Intelligenz (KI) unterstützte Experimente zusammen. Auf diese Weise soll die Entdeckung und Optimierung von Batteriematerialien um den Zeitfaktor fünf bis zehn beschleunigt werden.
Das MEET Batterieforschungszentrum der WWU Münster und das Helmholtz-Institut Münster (HI MS) des Forschungszentrums Jülich tragen mit ihren Kompetenzen in Methoden wie High Throughput Screening (HTS) und hochrangigen Mehrskalensimulationen zum Erfolg von BIG-MAP bei. Das Projekt bringt eine weltweit einzigartige methodische Plattform hinsichtlich Genauigkeit, Durchsatzleistung und Skala hervor.
„Genomisches“ Wissen über Zeit, Raum und Chemien hinweg
BIG-MAP steht für „Battery Interface Genome – Materials Acceleration Platform“. Der Ansatz kombiniert die Charakterisierung von Batterieelektrodengrenzflächen über Zeit und Raum hinweg (räumlich-zeitliche Charakterisierung), denn Elektrodenoberflächen und deren Phasengrenzen zum Elektrolyten sind von höchster Wichtigkeit für die Funktion von Batterien. „Das Verständnis, die Kontrolle und das Design der Grenzflächen hinsichtlich der Funktion in der Batteriezelle sind die entscheidenden Schlüssel, um extrem leistungsfähige, intelligente und nachhaltige Batterien entwickeln zu können“, betont Prof. Dr. Martin Winter, Direktor des MEET und des HI MS.
BIG-MAP stimmt dynamische Ereignisse über zahlreiche Skalen, wie den atomaren und den Mikrometermaßstab, mit physikalischen und datengetriebenen Modellen ab. Prof. Dr. Heuer vom HI MS und der WWU erklärt optimistisch: „Die Forscherinnen und Forscher von BIG-MAP beabsichtigen, ein grundlegendes genomisches Wissen über Batterieoberflächen und Phasengrenzen über Zeit, Raum und diverse Chemien hinweg zu schaffen.“ Das Projekt wurde Ende März 2020 von der Europäischen Kommission und dem Horizon 2020 Rahmenprogramm bewilligt.
Konzeptioneller Ablauf
Es gibt viele verschiedene Möglichkeiten, Batterieeigenschaft im Labor zu verändern, sodass ein systematisches Durchprobieren nicht möglich ist. Hier kommt ML ins Spiel. Durch aktives Lernen kann der Computer unterliegende Strukturen in großen Datenmengen aus Experimenten und Simulationen erkennen. Damit werden erfolgsversprechende Materialkombinationen im „chemical space“ automatisch vorgeschlagen und der Entwicklungsprozess deutlich beschleunigt. Voraussetzung für dieses KI-orchestrierte Vorgehen ist ein hocheffizientes Datenmanagement im Rahmen einer BIG-MAP-Plattform.
Die Illustration zeigt, wie viele verschiedene Module über die KI innerhalb von BIG-MAP miteinander verwoben sind. Das entspricht der Idealvorstellung eines autonomen Labors zur Optimierung von Entwicklungsprozessen mittels einer Vielzahl von Rückkopplungsschleifen.
Das Kick-off-Meeting ist vom 5. bis 6. Oktober 2020 in Kopenhagen geplant. Mit ihm werden die ersten drei Jahre des Projekts eingeläutet. Insgesamt ist BIG-MAP auf zehn Jahre angelegt. Der neuartige Ansatz soll die Partnerinnen und Partner aus Industrie und Akademie zu einem weltweit führenden Verbund in Forschung und Entwicklung vereinigen.