ИИ ускоряет поиск материалов для новых батарей

Сидеть и ждать «идеальную» батарею — стратегия, которая дорого обходится энергетике. Спрос на накопители растёт быстрее, чем успевают разворачиваться цепочки поставок лития, никеля и кобальта, а сети тем временем становятся всё более «неровными» из‑за высокой доли ВИЭ. Поэтому самое интересное сейчас происходит не только на фабриках аккумуляторов, но и… в вычислительных кластерах.

Показательный факт: в одном из проектов исследователи просеяли 32,5 миллиона кандидатных материалов и за 80 часов нашли перспективный вариант электролита, который потенциально позволит использовать на ~70% меньше лития по сравнению с привычными решениями. Раньше такой путь занимал бы месяцы и годы.

Эта статья — часть серии «Искусственный интеллект в науке и исследованиях». И здесь ИИ показан в своей сильнейшей роли: не «пишет отчёты», а ускоряет научный перебор вариантов там, где человеческая интуиция физически не успевает.

Почему батарейная «химия» стала задачей для ИИ

Короткий ответ: потому что пространство вариантов почти бесконечное. Даже если мы говорим не о «фантастических» материалах, а о комбинациях относительно известных веществ, число сочетаний огромно.

В батарее важны не только электроды. Электролит (то, что переносит ионы между электродами) часто определяет безопасность, ресурс, рабочие температуры, допустимые токи и вероятность теплового разгона. А электролит — это обычно смесь из 6–8 компонентов: соль(и), растворители, добавки, стабилизаторы. Перебирать это вручную — как искать иголку в стоге сена, только стог размером с планету.

Для энергетики это не академическая игра.

• Для электросетей хорошие накопители — это сглаживание пиков, поддержка частоты, резервирование, снижение ограничений по выдаче ВИЭ.
• Для электротранспорта — запас хода, стоимость владения и безопасность.
• Для промышленности — возможность компенсировать провалы качества электроэнергии и «срезать» пиковую мощность.

ИИ здесь нужен не «для красоты», а потому что он позволяет быстро отсеивать заведомо плохие идеи и фокусировать лаборатории на малом числе кандидатов, которые действительно стоит синтезировать.

Как Microsoft показала «ускоренный» поиск электролита

Ключевая мысль: ИИ не заменил материаловедов, а правильно расставил фильтры и ускорил расчёты.

Подход выглядел так:

1. Стартовый пул — десятки миллионов вариантов (порядка 32,5 млн).
2. Модель предложила «подставлять» новые элементы в известные кристаллические структуры и проверять стабильность. Это резко сократило пространство поиска — до сотен тысяч.
3. Затем ИИ отфильтровал кандидатов по свойствам, важным именно для работы электролита в батарее, — и оставил сотни.
4. Дальше включились классические вычисления и экспертиза людей — чтобы выбрать несколько действительно реалистичных вариантов.

В итоге появился материал типа Na_x Li_(3−x) YCl_6 (в научной записи он фигурирует как один из кандидатов), который теперь должны синтезировать и испытать в реальной батарейной сборке.

Мне нравится в этой истории то, что она приземлённая: финальный успех определяется не красивым графиком нейросети, а тем, насколько удачно выстроен путь «модель → лаборатория → тестовый стенд → промышленная проверка».

Что это даёт энергетике и электроэнергетике

Для энергокомпаний и сетевых операторов важна не сама «новая соль», а системный эффект:

• Меньше зависимости от лития → меньше ценовых шоков и рисков поставок.
• Потенциально более безопасные электролиты → проще внедрять BESS (battery energy storage systems) в городах и на критической инфраструктуре.
• Быстрее R&D‑цикл → новые химии доходят до пилотов и демонстраторов в разумные сроки.

Это прямо ложится в повестку 2025 года: рост проектов сетевых накопителей, ужесточение требований к надёжности и пожарной безопасности, а также желание «упаковать» больше энергии в меньший объём.

IBM: «язык химии», модели‑основания и цифровые двойники батарей

Если Microsoft показала впечатляющий поиск нового кандидата, то IBM делает ставку на масштабируемую платформу: foundation‑модели для химии, обученные на «миллиардах молекул», которые затем дообучают на батарейных данных.

Практический смысл — предсказывать свойства на разных уровнях:

• молекула,
• смесь,
• компонент ячейки,
• поведение устройства.

И здесь важная инженерная позиция: гораздо быстрее внедряются решения, которые перебирают комбинации известных материалов, чем те, где ИИ «изобретает экзотику», которую потом сложно синтезировать, сертифицировать и масштабировать.

Цифровые двойники батарей: от материалов — к эксплуатации

Открыть перспективный материал — только половина пути. Вторая половина — понять, как батарея будет деградировать на реальных режимах: быстрые циклы, частичные заряды, температурные качели, разные окна SOC.

Поэтому всё чаще рядом с химическим ИИ появляются цифровые двойники батарей: виртуальные модели, которые прогнозируют деградацию и срок службы. В одном из подходов долгосрочное поведение ячейки можно оценивать, смоделировав порядка 50 циклов на «двойнике» вместо многомесячных испытаний.

Для электроэнергетики это особенно ценно: сетевые накопители редко работают «по учебнику». Они живут в режиме частых микрособытий — регулирование частоты, сглаживание, участие в рынках мощности/услуг, аварийные выдачи.

Мультивалентные батареи: почему ИИ тут особенно полезен

Ещё одна линия развития — мультивалентные батареи, где ионы переносят не один заряд (как Li⁺), а несколько. Теоретически это даёт более высокую удельную энергию. На практике — усложняет жизнь материаловедам: крупные ионы (например, магний или кальций) могут «не влезать» в структуру, вызывать разрушения, трещины и деградацию.

Здесь ИИ применяют как «генератор» кристаллических структур и как «ранжировщик» стабильности. Пример типового пайплайна:

• генеративная модель предлагает структуры;
• следующая модель оценивает стабильность и пригодность;
• на выходе остаются единицы кандидатов из миллионов.

Это важный сдвиг для науки: мы переходим от случайных удач к управляемому поиску.

Где проходит граница: ИИ ускоряет, но не отменяет лабораторию

Самая частая ошибка менеджмента — ожидать, что «ИИ найдёт батарею», а дальше можно сразу строить завод. Реальность жёстче.

ИИ в материаловедении даёт три конкретные выгоды:

1. Скорость отбора: из миллионов → сотни/десятки.
2. Снижение стоимости ошибок: меньше бессмысленных синтезов и испытаний.
3. Лучшее покрытие пространства вариантов: модели находят идеи за пределами привычной интуиции.

Но лаборатория остаётся обязательной, потому что:

• вычислительные предсказания могут ошибаться на «грязных» реальных эффектах (примеси, влажность, побочные реакции, технологическая воспроизводимость);
• даже стабильный материал может быть дорогим или токсичным;
• для сетевых решений критичны сертификация, пожарные тесты и поведение на отказах.

Правильная формулировка роли ИИ: «ускоритель научного перебора», а не «замена эксперименту».

Что делать компаниям энергетики уже сейчас: практический чек‑лист

Эта тема легко превращается в «новости про будущее», но она уже влияет на решения 2026–2028 годов. Вот что имеет смысл делать энергокомпаниям, интеграторам BESS и промышленным потребителям.

1) Готовьте данные эксплуатации накопителей

Если вы хотите цифровые двойники и предиктивную аналитику, нужны данные:

• профили мощности (P(t)),
• окна SOC,
• температуры модулей,
• события BMS,
• деградация по факту (SOH),
• режимы охлаждения и потребление собственных нужд.

Без этого любой «ИИ для батарей» останется презентацией.

2) Задайте требования к химии через требования к сервису

Для сети важно не «какая соль», а:

• требуемая скорость реакции (мс/с),
• глубина циклирования,
• ресурс по эквивалентным полным циклам,
• пожаробезопасность,
• эффективность на частичных нагрузках.

Эти требования можно перевести в рамки для R&D‑партнёров и поставщиков.

3) Стройте партнёрства «ИИ → лаборатория → пилот»

Самый рабочий путь — консорциум:

• ИИ/материаловедение (университет/лаборатория/вендор),
• производитель ячеек или модулей,
• интегратор BESS,
• площадка для пилотной эксплуатации (сеть/промышленность).

Так инновации доходят до реального рынка, а не «умирают» между статьёй и прототипом.

4) Заранее продумайте модель рисков

Новые химии — это всегда риск. Его можно снижать поэтапно:

1. лабораторные ячейки;
2. модульные прототипы;
3. ограниченный пилот (например, вспомогательные услуги);
4. масштабирование.

Куда всё идёт дальше: ИИ + квантовые расчёты

Следующий шаг — рост точности моделирования. Классические компьютеры в химии часто идут на компромиссы, потому что точные расчёты сложных молекул и материалов слишком дороги. Поэтому в отрасли активно обсуждают связку:

• квантовые вычисления для получения более точных данных о свойствах,
• машинное обучение, которое «учится» на этих данных и масштабирует предсказания.

На горизонте это означает более надёжный прогноз поведения материалов в сложных условиях — от ячейки до уровня батарейного шкафа и далее до режимов сетевого диспетчерирования.

Если смотреть шире, для нашей серии «Искусственный интеллект в науке и исследованиях» это важный сюжет: ИИ становится инструментом, который меняет экономику научных открытий. Не потому что «умнее», а потому что быстрее и системнее перебирает варианты.

Что стоит запомнить

ИИ уже доказал, что может сокращать поиск материалов для батарей с лет до дней, переводя миллионы кандидатов в список из десятков, с которыми имеет смысл идти в лабораторию. Для энергетики это означает ускорение появления более безопасных и дешёвых накопителей — а значит, более управляемую интеграцию ВИЭ, развитие электротранспорта и повышение устойчивости энергосистем.

Если вы отвечаете за развитие BESS, цифровизацию сети или энергоэффективность на предприятии, следующий логичный шаг — оценить, какие данные у вас уже есть, какие пилоты вы можете запустить, и где ИИ даст измеримую пользу: от подбора химии у партнёров до цифровых двойников и прогнозирования деградации.

А вот вопрос, который я бы задал на стратегической сессии прямо сейчас: в вашей компании батарея — это “железо на площадке” или актив, который можно оптимизировать алгоритмами на всём жизненном цикле?