Courtesy of InterestingEngineering

Machine Learning Mempercepat Penemuan Additive Baterai Bertegangan Tinggi

Menggunakan machine learning untuk menemukan kombinasi additive kimia yang efektif yang dapat meningkatkan kinerja baterai LNMO bertegangan tinggi sehingga mempercepat dan mempermudah proses pengembangan baterai yang lebih efisien dan tahan lama.

31 Agt 2025, 14.59 WIB

300 dibaca

Ikhtisar 15 Detik

Model pembelajaran mesin dapat membantu mempercepat penemuan bahan baru untuk baterai.
Baterai LNMO menawarkan potensi besar tetapi menghadapi tantangan stabilitas pada tegangan tinggi.
Identifikasi aditif yang tepat dapat meningkatkan kinerja baterai dan mengurangi waktu eksperimen.

Lemont, Amerika Serikat - Para ilmuwan di Argonne National Laboratory menggunakan model machine learning untuk menemukan bahan kimia baru yang bisa meningkatkan kinerja baterai bertegangan tinggi. Mereka melatih model ini menggunakan data dari 28 additive kimia dan kemudian memprediksi 125 kombinasi baru yang berpotensi lebih baik. Dengan cara ini, proses penelitian yang biasanya memakan waktu berbulan-bulan bisa dipercepat secara signifikan.

Fokus penelitian adalah pada baterai LNMO yang mengandung lithium, nikel, mangan, dan oksigen. Baterai ini memiliki keuntungan energi tinggi dan tidak memerlukan kobalt, yang sering kali bermasalah dalam rantai pasokan. Namun, baterai LNMO beroperasi pada voltase sekitar 5 volt, lebih tinggi dari baterai biasa, yang menyebabkan tantangan berupa dekomposisi elektrolit.

Masalah utama terjadi karena voltase tinggi menyebabkan elektrolit dan katoda menjadi sangat reaktif, sehingga bisa mengakibatkan kerusakan dan penurunan performa baterai secara cepat. Untuk mengatasi ini, para peneliti menggunakan additive elektrolit yang bisa membentuk lapisan pelindung stabil pada elektroda selama siklus awal baterai.

Additive yang efektif akan terdekomposisi dengan cara yang terkontrol untuk membentuk lapisan interfacial yang melindungi lingkungan elektroda dan mengurangi resistansi serta degradasi. Dengan pendekatan tradisional, menemukan additive yang tepat dari ratusan kemungkinan sangat memakan waktu dan sumber daya.

Model machine learning yang dibuat oleh tim Argonne dapat menghubungkan struktur molekul additive dengan dampaknya pada kinerja baterai, sehingga mempermudah dan mempercepat proses penemuan. Ini menunjukkan potensi besar penggunaan kecerdasan buatan dalam pengembangan teknologi baterai yang lebih efisien dan tahan lama.

Referensi:
[1] https://interestingengineering.com/energy/ev-batteries-to-get-energy-medicines

Analisis Kami

"Penggunaan machine learning dengan dataset kecil membuktikan bahwa kualitas data jauh lebih penting daripada kuantitas dalam pengembangan bahan baterai, yang merupakan lompatan besar dalam penelitian material. Namun, ketergantungan pada data awal yang sangat representatif tetap menjadi tantangan utama yang harus dijaga dengan ketat agar hasil prediksi benar-benar akurat."

Analisis Ahli

Hieu Doan

"Dengan pendekatan kami, model machine learning dapat menghasilkan prediksi yang sangat akurat meskipun hanya menggunakan dataset kecil, sehingga membuka jalan bagi penelitian baterai yang lebih cepat dan efisien."

Chen Liao

"Additive yang tepat dapat membentuk lapisan pelindung yang menghambat degradasi pada baterai LNMO, yang sangat penting untuk umur panjang dan stabilitas baterai bertegangan tinggi."

Prediksi Kami

Penggunaan machine learning dengan dataset terbatas akan menjadi pendekatan umum dalam pengembangan material baterai dan teknologi energi lainnya, mempercepat inovasi tanpa memerlukan eksperimen laboratorium yang panjang.

Pertanyaan Terkait

Apa yang dilakukan para ilmuwan di Argonne National Laboratory?

Para ilmuwan di Argonne National Laboratory menggunakan model pembelajaran mesin untuk mengidentifikasi kombinasi kimia baru yang dapat meningkatkan kinerja baterai.

Mengapa baterai LNMO memiliki tantangan dalam stabilitas?

Baterai LNMO memiliki tantangan dalam stabilitas karena beroperasi pada tegangan tinggi hampir 5 volt yang melebihi batas stabilitas elektrolit yang dikenal.

Bagaimana model pembelajaran mesin digunakan dalam penelitian ini?

Model pembelajaran mesin digunakan untuk menghubungkan struktur kimia aditif dengan efeknya pada kinerja baterai, memprediksi kombinasi baru yang lebih baik.

Apa fungsi aditif elektrolit dalam baterai?

Aditif elektrolit berfungsi untuk membentuk lapisan stabil pada elektroda yang mengurangi resistensi dan meningkatkan kinerja baterai.

Apa yang menjadi fokus penelitian ini?

Penelitian ini berfokus pada pengembangan baterai yang lebih efisien dan tahan lama tanpa menggunakan kobalt.