一个由密西根大学（University of Michigan）领导的研究团队正在利用阿贡国家实验室（Argonne National Laboratory）的超级计算机，开发大型基础模型，以加速新型电池材料的发现。这些研究人员使用美国能源部的阿贡国家实验室的Aurora和Polaris系统，开发能够预测电池电解质和电极新材料的人工智能（AI）模型。

长期以来，寻找更好的电池材料主要依赖试错法。密西根大学的副教授Venkat Viswanathan表示：“在电池材料发现的历史上，直觉一直是推动新发明的主要力量。”他指出，今天使用的大多数材料都是在1975年至1985年间发现的，至今仍主要依赖这些材料，仅进行小幅度的改进。

随着人工智能的进步及其所需的计算能力的提升，这一局面正在改变。Viswanathan和他的同事们正在开发AI基础模型，以加速新电池材料的发现，这些材料可应用于个人电子产品和医疗设备等领域。

基础模型是训练于大量数据集上的大型AI系统，专门针对特定领域进行调整，与通用的大型语言模型（如ChatGPT）不同，这些科学基础模型能够生成更精确和可靠的预测。

 密西根大学的研究人员正在利用阿贡国家实验室的超级计算机，开发可加速分子设计与新电池材料发现的基础模型。（Source：密西根大学）

该团队的模型专注于识别两个关键电池组件的材料：电解质和电极。电解质负责传递电荷，而电极则存储和释放能量。为了设计出更强大、更持久且更安全的下一代电池，这两方面的进步都是必须的。

潜在电池材料的化学空间规模庞大，科学家估计可能存在1,060种分子化合物。训练于数十亿已知分子的基础模型能帮助研究人员更有效地探索这一空间，通过学习能预测新分子性质的模式，模型能够锁定高潜力候选者。

去年，Viswanathan的团队使用Polaris超级计算机训练了迄今为止最大的化学基础模型之一，专注于设计电池电解质所需的小分子。为了教会模型理解分子结构，团队使用SMILES系统，并开发了一种名为SMIRK的新工具，以提高模型处理这些结构的能力。

目前，研究人员正在利用阿贡国家领导级运算设施（ALCF）的新Aurora超级系统开发第二个基础模型，专注于作为电池电极基础的分子晶体。训练完成后，基础模型的预测结果将与实验数据进行比较，以确保准确性，这对于创建对模型预测各种化学和物理性质的信心至关重要。

在开发基础模型之前，Viswanathan的团队曾为每个感兴趣的性质开发较小的AI模型。训练于Polaris的基础模型不仅将这些能力统一在一个平台上，还超越了他们过去几年创建的单一性质预测模型。

该团队计划将模型的能力扩展并在未来向更广泛的研究社交媒体开放，并与密西根大学的实验室科学家合作，合成和测试AI模型识别出的最有前景候选者。值得一提的是，密西根大学与美国能源部于2025年成立的“清洁能源存储研究中心”专注于电池材料和技术创新，已获7,500万美元资助，与阿贡国家实验室及其他12所大学合作，彰显该研究的战略重要性与资源支持。

（首图来源：Argonne National Laboratory）