3月5日消息，IBM、礦業(yè)勘探初創(chuàng)公司KoBold Metals和斯坦福大學正在利用AI技術來搜尋新的電池材料，它們的研究可以使電池的材料和礦物開采環(huán)節(jié)更加環(huán)保。有學者預計，2050年電動汽車將會達到20億輛，將消耗大量鋰、鈷等金屬用作電池材料，也會產生一系列環(huán)境問題。

為此KoBold Metals公司正在聯(lián)合斯坦福大學開發(fā)一種AI智能體技術，以此搜尋那些開采時對環(huán)境影響最小的金屬礦脈，有可能提高20倍的勘探效率。IBM則使用現(xiàn)有電解質材料數(shù)據(jù)訓練AI，使AI可以設計出較為環(huán)保的分子電解質材料。

一、用AI加速勘探，應對金屬需求急劇擴張

KoBold Metals與斯坦福大學地球資源預測中心合作開發(fā)了一個AI智能體，這項技術可以幫助勘探者決定工作的地點與方式。

雙方一起完善了AI智能體的順序決策算法，來確定勘探者下一步應如何收集數(shù)據(jù)，如在現(xiàn)場上空駕駛飛機、收集鉆探樣本等。

斯坦福大學地質學家Jef Caers教授稱，AI智能體可以加快勘探決策過程，使勘探者能夠一次評估多個地點。

他將該技術比作自動駕駛汽車，該車輛不僅可以收集、處理周圍環(huán)境數(shù)據(jù)，還能根據(jù)環(huán)境數(shù)據(jù)采取行動，進行導航或改變車輛行駛速度。

而KoBold Metals的AI智能體技術，可以通過分析土壤樣品、衛(wèi)星的高光譜成像、歷史中存留的手寫鉆探報告等數(shù)據(jù)，應用機器學習方法來預測礦體成分異常的位置。

AI可視化描繪了井眼電磁模型的預測圖，左圖為真實值，右圖為預測值

（來源：KoBold Metals）

KoBold Metals聯(lián)合創(chuàng)始人兼CEO庫爾特·豪斯（Kurt House）稱，當?shù)叵碌母鞣N礦藏都被發(fā)現(xiàn)時，人們意識到需要大規(guī)模改變當前能源種類，這種改變需要用到更多的金屬礦物。

KoBold Metals主要尋找銅、鈷、鎳和鋰等礦物，而這些金屬是電動汽車、太陽能板、智能手機等設備電池的關鍵材料。

根據(jù)《自然》12月份的一篇論文，全球電動汽車的數(shù)量在2019年為750萬輛，隨著各國減少溫室氣體排放的努力，2050年這個數(shù)字可能會變成20億輛。

該論文的作者稱，為這些車輛提供動力每年需要12太瓦（10^12瓦）時的電量，大約為當前美國年發(fā)電總量的10倍，這意味著金屬供應鏈將急劇擴張。

二、AI智能體速度超人類20倍，降低勘探成本

Jef Caers說：“如果我們現(xiàn)在想要減輕溫室效應并擺脫化石燃料，我們需要在幾年內制造更多的電池，不能再等待10-20年來期待發(fā)現(xiàn)更多的金屬礦物?！?/p>

當前幾乎所有的鋰離子電池都使用鈷，這種金屬的主要供應地是剛果民主共和國，那里的成年人和兒童經常需要冒著生命危險進行開采。

銅也是一種重要的材料，但是銅開采的過程中需要大量的水資源，而目前大部分的銅礦都來自智利阿塔卡馬沙漠附近的缺水地區(qū)。

在這種情況下，礦業(yè)公司很難在擴大開采的同時，不對當?shù)氐纳鷳B(tài)環(huán)境和人民生活造成破壞。

Kurt House在項目現(xiàn)場（來源：KoBold Metals）

Kurt House稱，如果想要減少開采對環(huán)境的影響，通常需要多次地址考察，以尋找優(yōu)質的礦脈，而該AI智能體可以減少考察時間與成本。

這些步驟之前對于勘探公司來說成本較高，風險較大，所以公司經常為了避免浪費資源而行動緩慢。

而AI智能體做出這種決策的速度大概比人類快20倍，還能減少礦物勘探中的誤報頻率。Jef Caers認為，這在地質科學中是一個全新的領域。

受比爾·蓋茨領導的Breakthrough Energy Ventures基金支持，KoBold Metals已經在澳大利亞、北美和撒哈拉以南非洲等三處地點進行了勘測，預計今年將收集到這三處地點的現(xiàn)場數(shù)據(jù)，這些數(shù)據(jù)也將首次證實AI智能體判斷的準確程度。

三、IBM訓練AI，設計新分子材料代替鈷、鋰成分

IBM研究人員也在尋找電池中鈷、鋰等成分的代替成分，以設計符合可持續(xù)理念的電池。

其研究團隊正在使用AI技術，來識別并測試比當前鋰離子電池更加安全和高效的電解質。

該項目側重于那些現(xiàn)有并且可以馬上投入市場的材料，但是另外一項相關研究則希望創(chuàng)建新分子材料代替現(xiàn)有材料。

IBM的AI專家使用生成模型（Generative Models）來訓練AI學習已知材料的分子結構和這些材料的粘度、熔點、電子導電率等物理性質。

根據(jù)IBM專家Seiji Takeda和Young-hye的郵件，他們使用已知的電解質材料數(shù)據(jù)進行AI訓練，以此來設計合適的電解質或離子導電聚合物。

一旦完成AI訓練，研究人員就可以要求AI“設計一種符合X、Y和Z特性的新型分子電解質材料”，AI模型就會參考結構特征關系，設計候選材料。

目前IBM已經通過這種方法創(chuàng)建了一種名為photoacid generators的新分子，該分子可以幫助生產更環(huán)保的計算設備。

IBM還通過這種技術，設計了更先進的高分子復合膜，其二氧化碳吸收效果更好，可以應用于碳捕捉技術中。

Seiji Takeda和Young-hye稱，設計更具可持續(xù)性的電池將會是他們的下一個目標。

KoBold Metals和IBM的研究證明，AI技術可以在地質學和材料學領域發(fā)揮更大作用。在這兩項研究中，AI技術涉及了收集數(shù)據(jù)、分析數(shù)據(jù)、決策與執(zhí)行等多個環(huán)節(jié)，正在逐步改變各領域的思維方式。這或許將推動這兩個領域更多的與AI領域研究者進行交流、合作。如果這兩項AI研究成功，都可以有效地降低對環(huán)境的破壞，更好地推動可持續(xù)發(fā)展，也在展示了AI在這兩個領域的前沿應用。同時我們也看到，隨著電動汽車產業(yè)的快速發(fā)展，電池技術的未來前景十分可觀，這可能是電能替代化石燃料的重要一步。

文章來源： 智東西
編輯：lyn