Исследователи Корейского передового института науки и технологий (KAIST) разработали ИИ-агента LLMB, предназначенного для ускорения разработки и проверки литий-металлических аккумуляторов. Результаты работы опубликованы в журнале ACS Central Science, а сам агент доступен в репозитории GitHub.

LLMB объединяет большую языковую модель для многоуровневого анализа текстов со специализированным инструментом для анализа графиков Material Graph Digitizer (MatGD). Это позволяет извлекать и систематизировать из научных публикаций данные о материалах аккумуляторов и показателях их работы.

Агент обработал 3606 научных работ и сформировал базу данных о 8074 аккумуляторных элементах, включающую сведения об их компонентах и циклируемости. Оценка F1 при извлечении из текста названий элементов составила 96,4%, а при объединении данных — 99,3%.

В LLMB также встроены модели машинного обучения, которые прогнозируют начальную ёмкость аккумуляторов на основе катодов NCM и их ёмкость после 50-го цикла. Коэффициент детерминации R² составил соответственно 0,75 и 0,69. Агент также способен выявлять связь между полярностью растворителя и характеристиками аккумулятора.

Извлечение данных из текста и графиков

Модульная архитектура LLMB включает специализированные большие языковые модели для отдельных задач: извлечения названий элементов, классификации и извлечения значений по 29 различным типам данных.

Material Graph Digitizer использует архитектуру YOLOv8, чтобы распознавать и удалять элементы графиков, не содержащие данных, например текст, легенды и стрелки. Алгоритм DBSCAN разделяет линии данных по векторам цветовых значений RGB.

Для подготовки данных к использованию модель постобработки преобразует молекулярные структуры в формат SMILES и приводит единицы измерения к единому стандарту.

Прогнозирование характеристик аккумуляторов

На основе собранной базы исследователи разработали модели случайного леса (RF) и градиентного бустинга (GBR), которые прогнозируют характеристики аккумуляторов с учётом состава материалов и условий эксплуатации.

Для катодов NCM модель случайного леса показала R², равный 0,75. Анализ с помощью метода SHAP (SHapley Additive exPlanation) выявил значимость состава катода, условий эксплуатации и характеристик электролита. Результаты подтвердили известные закономерности: соотношение никеля, марганца и кобальта оказалось наиболее влиятельным фактором. Доля никеля выше 0,8 связана с большей ёмкостью, тогда как содержание марганца коррелирует с её снижением.

Более высокие значения C-rate и загрузки катода также коррелировали с меньшей начальной ёмкостью. Кроме того, на ёмкость существенно влияли молекулярные характеристики, в том числе EState VSA6 и Kappa3.

Экспериментальная проверка

Исследователи проверили работу системы, разработав новые составы растворителей. Анализ указывал на то, что растворители с низкой полярностью могут улучшать характеристики аккумуляторов.

В исследовании сравнили нефторированные эфирные растворители: диэтиловый эфир (DEE), дипропиловый эфир (DPE) и диметиловый эфир диэтиленгликоля (DEGDME). У DEE и DPE полярность и энергия связывания с Li⁺ оказались ниже, чем у DEGDME.

В Li||NCM811-элементах с электролитами на основе DEE и DPE наблюдались более высокая начальная ёмкость и более стабильная циклическая работа при режимах 1C и 5C. У элементов с DEGDME ёмкость быстро снижалась.

По мнению исследователей, LLMB может помочь выявить ранее скрытые физико-химические взаимосвязи. Возможности прогнозирования таких ИИ-систем, как LLMB, могли бы расширить более стандартизированная отчётность в научных публикациях и интеграция с автономными лабораториями.