Dengan alasan tersebut, penemuan ilmiah bisa jadi memiliki dampak tertinggi dan menjadi kasus yang paling menarik untuk AI. Hari ini, kami mengumumkan bagaimana Tim Microsoft Quantum mengukir pencapaian penting menuju visi tersebut, dengan menggunakan kecanggihan AI untuk menyaring lebih dari 32 juta kandidat dalam menemukan dan memadukan sebuah material baru yang berpotensi untuk baterai yang lebih baik—sebuah contoh nyata pertama dari banyaknya penemuan lain yang akan dicapai di era baru penemuan ilmiah yang didukung oleh AI.
Kami percaya bahwa ilmu kimia dan teknik material adalah bidang yang menjadi sorotan utama untuk komputer kuantum skala penuh (full-scale quantum computer). Hal itu mendorong kami untuk merancang dan meluncurkan Azure Quantum Elements, produk yang dibuat khusus untuk mempercepat penemuan ilmiah dengan kekuatan AI, komputasi awan (cloud computing), dan akhirnya, full-scale quantum computer.
Keyakinan kami terkonfirmasi melalui kerja sama dengan perusahaan seperti Johnson Matthey, dan banyak lainnya, hingga diluncurkannya Azure Quantum Elements pada bulan Juni. Selama musim panas, kami telah mendemonstrasikan penyaringan besar-besaran terhadap banyak material, namun kami tahu bahwa menunjukkan kemungkinan yang bisa terjadi tidaklah sama dengan membuktikan teknologi yang dapat mengidentifikasi sesuatu yang baru dan tidak biasa secara bersamaan.
Kami memerlukan bukti nyata dan kami memutuskan untuk memulai dengan sesuatu yang bermanfaat baik, mulai dari bagi kehidupan sehari-hari hingga bagi pusat data hyperscale: teknologi baterai.
Seperti yang ditunjukkan dalam publikasi yang diterbitkan pada bulan Agustus, kami menggunakan model AI baru untuk menyaring lebih dari 32 juta material potensial dan menemukan lebih dari 500.000 kandidat yang stabil secara digital. Namun, mengidentifikasi kandidat hanyalah langkah pertama dari sebuah penemuan ilmiah.
Menemukan sebuah bahan di antara para kandidat dengan kualitas yang tepat untuk kebutuhan tertentu, dalam konteks ini yakni sebagai elektrolit baterai jenis padat baru, itu bagai mencari jarum di tumpukan jerami. Hal ini akan membutuhkan kalkulasi yang panjang menggunakan komputasi berkinerja tinggi (HPC), eksperimen laboratorium yang mahal, serta waktu yang lama untuk menyelesaikannya.
Hari ini, kami berbagi pengalaman bagaimana AI secara radikal mengubah proses ini, mempercepatnya dari hitungan tahun menjadi hitungan minggu, dan kemudian hanya beberapa hari. Bersama dengan dengan Pacific Northwest National Laboratory (PNNL) Departemen Energi, tim Azure Quantum menerapkan AI tingkat lanjut bersama dengan para ahli dari PNNL untuk mengidentifikasi material baru yang tidak diketahui oleh kami dan tidak ada di alam, dengan potensi sebagai baterai hemat sumber daya.
Tidak hanya itu, ilmuwan PNNL menggabungkan dan menguji kandidat material ini dari bahan baku ke prototipe yang berfungsi, menunjukkan sifat unik dan potensinya sebagai solusi penyimpanan energi berkelanjutan dengan menggunakan lebih sedikit litium secara signifikan dibandingkan material lain yang diumumkan oleh industri.
Hal ini penting karena sejumlah alasan. Baterai jenis padat lebih aman daripada baterai litium cair atau gel pada umumnya, dan mereka memberikan kepadatan energi yang lebih besar. Litium sudah relatif langka, dan harganya mahal. Penambangannya bermasalah secara lingkungan dan geopolitik. Pembuatan baterai yang dapat mengurangi kebutuhan litium sekitar 70% akan memiliki manfaat lingkungan, keselamatan, dan ekonomi yang luar biasa.
Kolaborasi ini hanyalah awal dari perjalanan baru dan menarik yang membawa kekuatan AI hampir ke setiap aspek penelitian ilmiah. Secara lebih luas, Microsoft menempatkan terobosan ini di tangan pelanggan melalui platform Azure Quantum Elements. Platform ini merupakan kombinasi antara keahlian ilmiah dan AI yang akan memadatkan inovasi ilmu kimia dan teknik material selama 250 tahun ke depan menjadi 25 tahun, mentransformasi setiap industri, dan pada akhirnya membuka era penemuan ilmiah baru.
Banyak masalah tersulit yang dihadapi masyarakat, seperti menghentikan perubahan iklim, mengatasi kerawanan pangan, atau menjawab krisis energi, erat kaitannya dengan ilmu kimia dan teknik material. Kami sudah lama percaya bahwa penemuan material adalah kunci utama untuk mengatasi beberapa masalah ini, namun waktu adalah tantangan terbesar kami—jumlah material stabil potensial yang harus dieksplorasi untuk menemukan solusi diyakini melampaui jumlah atom di alam semesta yang saat ini diketahui.
Itu sebabnya di Microsoft, kami baru-baru ini merilis Azure Quantum Elements. Platform cloud kami menyatukan generasi baru AI, HPC yang didukung cloud, dan akhirnya terobosan quantum computing untuk memberdayakan mitra kami dengan alat yang tepat untuk mendorong inovasi dengan mempercepat penemuan mereka, dan secara drastis mengurangi waktu untuk menyaring kandidat baru.
PNNL meningkatkan batas-batas pengetahuan, berupaya menjawab beberapa tantangan ilmu pengetahuan dan teknologi dunia. Kekuatan unik dalam ilmu kimia, ilmu kebumian, biologi, dan ilmu data, berperan sentral dalam misi penemuan ilmiahnya. PNNL telah memiliki kepemimpinan dalam mengembangkan dan memvalidasi teknologi penyimpanan energi generasi selanjutnya.
Di antara bentuk penyimpanan energi portabel yang paling dikenal, baterai lithium-ion tetap menjadi landasan penyimpanan energi portabel modern karena kapasitas penyimpanan energi mereka yang tinggi dan masa pakai yang panjang.
Tim Azure Quantum kami di Microsoft menggabungkan perhitungan HPC yang didukung cloud dengan model AI baru yang dapat memperkirakan karakteristik bahan terkait energi, gaya, tegangan, celah pita elektronik, dan sifat mekanik. Model-model ini telah dilatih dengan jutaan data point dari simulasi material, dan dengan demikian mampu meminimalkan perhitungan HPC serta memprediksi preperti dari bahan 1.500 kali lebih cepat dari perhitungan teori fungsional kerapatan (density functional theory/DFT).
Kami mulai dengan 32,6 juta bahan kandidat, dibuat dengan mengganti elemen dalam struktur kristal yang diketahui dengan pengambilan sampel elemen di satu subset tabel periodik. Untuk pengaplikasian pertama, kami menyaring kumpulan kandidat ini menggunakan alur kerja yang menggabungkan model AI material kami dengan simulasi berbasis HPC konvensional.
Tahap pertama penyaringan—dipublikasikan pada bulan Agustus—menggunakan model AI. Dari kumpulan awal 32,6 juta bahan, kami menemukan 500.000 bahan yang diprediksi memiliki kualitas stabil. Kami menggunakan model AI untuk menyaring kumpulan bahan ini berdasarkan sifat fungsional seperti potensial redoks dan celah pita, sehingga mengurangi kandidat potensial menjadi sekitar 800. Tahap penyaringan kedua menggabungkan simulasi fisika dengan model AI. Microsoft Azure HPC digunakan untuk perhitungan DFT guna mengonfirmasi properti dari penyaringan yang dilakukan AI.
Model AI memiliki non-zero prediction error, sehingga validasi DFT dilakukan untuk menghitung ulang properti yang diprediksi model AI sebagai filter dengan tingkat akurasi lebih tinggi. Langkah ini dilanjutkan dengan simulasi dinamika molekuler (molecular dynamics / MD) untuk memodelkan perubahan struktural.
Kemudian, peneliti Microsoft Quantum menggunakan simulasi MD yang diakselerasi AI untuk menyelidiki dinamika properti seperti difusivitas ionik. Simulasi ini menggunakan model AI sebagai gaya pada setiap langkah MD, bukan metode berbasis DFT yang lebih lambat. Tahap ini mengurangi jumlah kandidat menjadi 150. Kemudian, aspek praktis seperti originalitas, mekanik, dan ketersediaan elemen dipertimbangkan untuk menciptakan 18 kandidat teratas.
Dari sana, para ahli dari PNNL memberikan wawasan tentang parameter penyaringan tambahan yang semakin mempersempit kandidat struktural akhir. Para peneliti di PNNL kemudian menggabungkan kandidat teratas, mencirikan strukturnya, dan mengukur konduktivitasnya. Kandidat elektrolit yang baru menggunakan sekitar 70% lebih sedikit litium dibandingkan dengan baterai lithium-ion saat ini, dengan mengganti beberapa litium ke natrium, sebuah senyawa yang berlimpah.
Dalam pengujian di berbagai suhu, senyawa baru ini menunjukkan konduktivitas ionik yang layak, menunjukkan potensinya sebagai bahan elektrolit padat. Setelah memverifikasi konduktivitas komposisi kimia sodium-litium tersebut, tim peneliti PNNL mendemonstrasikan kelayakan teknis elektrolit dengan membuat baterai padat yang berfungsi, yang diuji pada suhu kamar dan suhu tinggi (~80 °C).
Penemuan jenis bahan elektrolit baru ini penting tidak hanya karena potensinya sebagai solusi penyimpanan energi yang berkelanjutan, tetapi juga karena ini menunjukkan bahwa para peneliti dapat mempercepat proses penelitian secara drastis dengan model AI mutakhir.
Meski validasi dan optimalisasi material masih berlangsung, seluruh proses awal ini memakan waktu kurang dari sembilan bulan dan merupakan langkah pertama yang menjanjikan dalam kolaborasi antara Microsoft dan PNNL. Penemuan bahan lain yang bisa meningkatkan keberlanjutan dari penyimpanan energi mungkin sudah di depan mata.
(Nathan Baker, Product Leader, Azure Quantum Elements, Microsoft)
Cek Berita dan Artikel yang lain di
Google News
Viral! 18 Kampus ternama memberikan beasiswa full sampai lulus untuk S1 dan S2 di Beasiswa OSC. Info lebih lengkap klik : osc.medcom.id
