En concreto, el grupo estudió las baterías de litio-hierro-fosfato (LFP).

«Piense en una batería como una taza de café de cerámica que se expande y se contrae cuando se calienta y se enfría. Esos cambios acaban provocando fallos en la cerámica», explica William Chueh, autor principal del estudio, en un comunicado de prensa. «Los materiales de una batería recargable hacen lo mismo cada vez que se recarga y luego consumen esa electricidad, lo que conduce a un fallo».

Chueh señaló que, en la batería, no es la temperatura la que provoca las fisuras, sino la tensión mecánica que ejercen los materiales entre sí con cada ciclo de carga.

«Por desgracia, no sabemos mucho sobre lo que ocurre en la nanoescala, donde los átomos se unen», dijo el científico. «Estas nuevas técnicas de microscopía de alta resolución nos permiten verlo y la IA nos ayuda a entender lo que ocurre. Por primera vez, podemos visualizar y medir estas fuerzas a escala nanométrica».

Chueh explicó que el rendimiento de cualquier material es una función tanto de su química como de la interacción física en el material a escala atomística, lo que él denomina «quimio-mecánica».

Cuanto más pequeñas son las cosas y más diversos son los átomos que componen el material, más difícil es predecir cómo se comportará el material.

Sin embargo, el uso de la IA para estudiar las interacciones atómicas en las escalas más pequeñas es la innovación que permitió a los investigadores explorar lo que ocurre con los electrodos de fosfato de hierro y litio.

Aunque el LFP se lleva estudiando desde hace dos décadas, hasta ahora sólo se podían adivinar dos cuestiones técnicas clave pendientes. La primera consiste en comprender la elasticidad y la deformación del material cuando se carga y descarga. La segunda se refiere a cómo se expande y contrae en un régimen específico en el que el LFP es parcialmente estable, o «metaestable».

El autor principal del estudio, Haitao «Dean» Deng, ayudó a explicar ambas cosas por primera vez utilizando sus técnicas de aprendizaje de imágenes, que aplicó a una serie de imágenes bidimensionales producidas por un microscopio electrónico de transmisión de barrido, y a imágenes avanzadas de rayos X (espectro tipografía). Los hallazgos, dijo, son importantes para la capacidad, la retención de energía y la tasa de una batería.

Y lo que es mejor, cree que se puede generalizar a la mayoría de los materiales cristalinos que también podrían ser buenos electrodos.

«La IA puede ayudarnos a comprender estas relaciones físicas, que son fundamentales para predecir el rendimiento de una nueva batería, su fiabilidad en el mundo real y la degradación del material con el paso del tiempo», afirma Deng.

Para el químico, este enfoque es una forma de «aprendizaje inverso» en el que se conoce el resultado -imágenes fijas de alta resolución de LFP degradado- y la IA ayuda a reconstruir la física para explicar cómo llegó a ser así. Ese nuevo conocimiento, a su vez, se convierte en la base para mejorar los materiales.

Deng mencionó que los estudios anteriores sin IA han iluminado las correlaciones en la forma en que las tensiones mecánicas afectan a la durabilidad de los electrodos, pero este nuevo enfoque proporciona tanto una forma emocionante como la motivación para desarrollar una comprensión más fundamental de la mecánica en juego.

A continuación, Deng y sus colegas trabajarán en la utilización de sus técnicas para dilucidar nuevos y prometedores diseños de baterías a nivel atómico.

Uno de los resultados podría ser un nuevo software de control de baterías que gestione la carga y la descarga de forma que mejore su vida útil.