AI Ciptakan Material Baru yang Revolusioner untuk Baterai Masa Depan

AI Ciptakan Material Baru yang Revolusioner untuk Baterai Masa Depan

Sebuah terobosan terbaru menggemparkan dunia teknologi. Kecerdasan buatan (AI) berhasil menemukan material baru yang dapat mentransformasi teknologi baterai, mengubah masa depan energi terbarukan.

Para ilmuwan mengklaim penemuan ini bisa menjadi kunci untuk menciptakan baterai yang lebih efisien, murah, dan ramah lingkungan. Teknologi ini diprediksi akan mendorong revolusi pada kendaraan listrik dan perangkat elektronik.

Dengan menggunakan AI generatif - teknologi serupa yang digunakan ChatGPT - peneliti berhasil menemukan lima struktur baru yang menunjukkan potensi luar biasa untuk baterai multivalent.

Baterai Masa Kini Masih Punya Banyak Kelemahan

Teknologi baterai dianggap sebagai kunci menuju dunia yang lebih berkelanjutan. Para peneliti berharap baterai bisa menjadi solusi untuk kendaraan listrik yang lebih baik serta mengubah teknologi kecil seperti ponsel.

Namun, teknologi baterai yang ada saat ini masih memiliki banyak kekurangan. Baterai lithium-ion yang banyak digunakan di perangkat kita memiliki kepadatan energi yang relatif rendah, kehilangan energi seiring waktu, dan rentan terhadap panas dan perubahan lainnya.

Para peneliti berusaha mengatasi masalah ini melalui apa yang mereka sebut baterai multivalent. Baterai ini menggunakan elemen yang lebih mudah didapat dibandingkan baterai lithium-ion, sehingga bisa lebih murah, mudah, dan bersih untuk diproduksi.

Lebih hebat lagi, teknologi yang menggerakkan baterai multivalent membuat mereka lebih efisien dan mampu menyimpan lebih banyak energi dibandingkan baterai yang ada saat ini.

Namun, ukuran yang lebih besar dan muatan listrik ion multivalent yang lebih besar membuat mereka sulit untuk diintegrasikan ke dalam baterai.

Peran AI dalam Menemukan Material Ajaib

Masalah utama dalam pengembangan baterai bukanlah kurangnya kimia baterai yang menjanjikan, tetapi ketidakmungkinan untuk menguji jutaan kombinasi material. Para peneliti dari New Jersey Institute of Technology akhirnya beralih ke AI generatif sebagai cara cepat dan sistematis untuk menyaring lanskap yang luas dan menemukan struktur yang bisa membuat baterai multivalent menjadi praktis.

Dibakar Datta, salah satu peneliti, menjelaskan: "Pendekatan ini memungkinkan kami untuk dengan cepat mengeksplorasi ribuan kandidat potensial, secara dramatis mempercepat pencarian alternatif yang lebih efisien dan berkelanjutan untuk teknologi lithium-ion."

Peneliti berhasil menggunakan sistem AI untuk memilah-milah berbagai kemungkinan material dan memeriksa apakah mereka akan berguna dalam baterai semacam itu.

Menurut Profesor Datta, alat AI mereka secara dramatis mempercepat proses penemuan, yang mengungkap lima struktur oksida logam transisi berpori yang sama sekali baru dan menunjukkan janji luar biasa. Material ini memiliki saluran terbuka yang besar, ideal untuk memindahkan ion multivalent yang besar dengan cepat dan aman.

Setelah menemukan material menggunakan AI, peneliti memeriksa mereka menggunakan simulasi tradisional untuk memastikan mereka bisa digunakan dalam aplikasi dunia nyata.

Terobosan untuk Masa Depan Penyimpanan Energi

Penemuan material baru untuk baterai ini membuka jalan bagi perkembangan teknologi penyimpanan energi yang lebih efisien. Dengan kemampuan menyimpan energi yang lebih besar, baterai multivalent dapat mendukung transisi ke energi terbarukan secara lebih luas.

Hasil kerja ini dilaporkan dalam makalah baru berjudul 'Generative AI for discovering porous oxide materials for next-generation energy storage', yang diterbitkan dalam jurnal Cell Reports.

Terobosan ini menunjukkan bahwa AI tidak hanya berguna untuk tugas-tugas komunikasi dan analisis data, tetapi juga dapat mempercepat penemuan ilmiah yang berdampak langsung pada tantangan global seperti krisis energi dan perubahan iklim.

(Burung Hantu Infratek / Berbagai Sumber)


Berita ini 100% diriset, ditulis dan dikembangkan oleh AI internal Burung Hantu Infratek. Bisa jadi terdapat kesalahan pada data aktual.