Ein Forschungsteam der Universität Chicago hat eine neue Methode der künstlichen Intelligenz entwickelt, die die Effizienz der Batteriematerialentwicklung deutlich verbessert. Diese KI-Technologie kann mithilfe von aktiven Lernmodellen Millionen von Elektrolytkombinationen mit nur 58 experimentellen Datenpunkten untersuchen und eröffnet so neue Wege für die Batteriematerialentwicklung.

Das Forschungsteam veröffentlichte eine Studie in *Nature Communications*, die zeigt, wie KI-Modelle, die auf begrenzten Daten basieren, die Entwicklung von Batteriematerialien beschleunigen können. Ritesh Kumar, Postdoktorand an der Pritzker School of Molecular Engineering der Universität Chicago, erklärte: „Für jedes Experiment benötigt man Wochen oder sogar Monate, um Datenpunkte zu gewinnen. Es ist unpraktisch, mit dem Training dieser Modelle zu warten, bis man Millionen von Datenpunkten hat.“ Diese KI-Methode nutzt eine experimentelle Validierungsschleife, in der die Testergebnisse zur kontinuierlichen Optimierung in das Modell zurückfließen.

Die Forscher verfolgten eine Strategie des „Vertrauens ist gut, Kontrolle ist besser“ und führten sieben Runden aktiven Lernens durch, in denen sie jeweils etwa zehn Elektrolyte testeten. So entdeckten sie schließlich vier neue Elektrolytlösungsmittel mit überlegener Leistung. Kumar merkte an: „Das Modell wird anfangs nicht sehr genau sein, daher wird es zwar Vorhersagen geben, diese sind aber auch mit Unsicherheiten behaftet.“ Dieser KI-gestützte Forschungsansatz reduziert effektiv experimentelle blinde Flecken und vermeidet kognitive Verzerrungen, die in der traditionellen Forschung häufig auftreten.

Dr. Peiyuan Ma, einer der Erstautoren, erklärte, dass die zukünftige Anwendung künstlicher Intelligenz in der Batteriematerialentwicklung in Richtung eines generativen Ansatzes gehen wird. Ma erläuterte: „Das bedeutet, dass wir nicht mehr auf die bestehende Literatur beschränkt sind. Prinzipiell kann das Modell Moleküle vorschlagen, die nicht in Datenbanken zu finden sind.“ Der nächste Forschungsschritt konzentriert sich auf die Entwicklung eines KI-Systems, das in der Lage ist, mehrere Indikatoren wie Zyklenlebensdauer, Sicherheit und Kosten gleichzeitig zu bewerten und so die Batteriematerialentwicklung in Richtung praktischer Anwendung voranzutreiben.

Weitere Informationen: Peiyuan Ma et al., „Active Learning Accelerates Solvent Screening for Anode-Free Lithium Metal Battery Electrolytes“, *Nature Communications* (2025). Zeitschrifteninformationen: *Nature Communications*