缓解电池供应紧张难题！斯坦福IBM用AI勘探研发新材料

智东西（公众号：zhidxcom）

编译 | 高歌

编辑 | 云鹏

智东西3月5日消息，IBM、矿业勘探初创公司KoBold Metals和斯坦福大学正在利用AI技术来搜寻新的电池材料，它们的研究可以使电池的材料和矿物开采环节更加环保。

有学者预计，2050年电动汽车将会达到20亿辆，将消耗大量锂、钴等金属用作电池材料，也会产生一系列环境问题。

为此KoBold Metals公司正在联合斯坦福大学开发一种AI智能体技术，以此搜寻那些开采时对环境影响最小的金属矿脉，有可能提高20倍的勘探效率。IBM则使用现有电解质材料数据训练AI，使AI可以设计出较为环保的分子电解质材料。

IBM AI技术链接：https://www.ibm.com/blogs/research/2021/03/ibm-molecule-generation-experience/

一、用AI加速勘探，应对金属需求急剧扩张

KoBold Metals与斯坦福大学地球资源预测中心合作开发了一个AI智能体，这项技术可以帮助勘探者决定工作的地点与方式。

双方一起完善了AI智能体的顺序决策算法，来确定勘探者下一步应如何收集数据，如在现场上空驾驶飞机、收集钻探样本等。

斯坦福大学地质学家Jef Caers教授称，AI智能体可以加快勘探决策过程，使勘探者能够一次评估多个地点。

他将该技术比作自动驾驶汽车，该车辆不仅可以收集、处理周围环境数据，还能根据环境数据采取行动，进行导航或改变车辆行驶速度。

而KoBold Metals的AI智能体技术，可以通过分析土壤样品、卫星的高光谱成像、历史中存留的手写钻探报告等数据，应用机器学习方法来预测矿体成分异常的位置。

AI可视化描绘了井眼电磁模型的预测图，左图为真实值，右图为预测值（来源：KoBold Metals）

KoBold Metals联合创始人兼CEO库尔特·豪斯（Kurt House）称，当地下的各种矿藏都被发现时，人们意识到需要大规模改变当前能源种类，这种改变需要用到更多的金属矿物。

KoBold Metals主要寻找铜、钴、镍和锂等矿物，而这些金属是电动汽车、太阳能板、智能手机等设备电池的关键材料。

根据《自然》12月份的一篇论文，全球电动汽车的数量在2019年为750万辆，随着各国减少温室气体排放的努力，2050年这个数字可能会变成20亿辆。

该论文的作者称，为这些车辆提供动力每年需要12太瓦（10^12瓦）时的电量，大约为当前美国年发电总量的10倍，这意味着金属供应链将急剧扩张。

二、AI智能体速度超人类20倍，降低勘探成本

Jef Caers说：“如果我们现在想要减轻温室效应并摆脱化石燃料，我们需要在几年内制造更多的电池，不能再等待10-20年来期待发现更多的金属矿物。”

当前几乎所有的锂离子电池都使用钴，这种金属的主要供应地是刚果民主共和国，那里的成年人和儿童经常需要冒着生命危险进行开采。

铜也是一种重要的材料，但是铜开采的过程中需要大量的水资源，而目前大部分的铜矿都来自智利阿塔卡马沙漠附近的缺水地区。

可怕！5岁男童把电池放入嘴里啃咬，结果事儿大了

孩子都有好奇心， 但有些好奇心，家长得看看牢。 前几天，湖南长沙五岁男孩轩轩， 在家里把玩电池， 一时好奇放进嘴里啃咬， 结果事儿大了！ “他把整个电池体都全部咬破了，电池里面的液体都已经进到嘴里了……从食管到胃这一块，都有轻度的烧灼痕迹。”湖南

在这种情况下，矿业公司很难在扩大开采的同时，不对当地的生态环境和人民生活造成破坏。

Kurt House在项目现场（来源：KoBold Metals）

Kurt House称，如果想要减少开采对环境的影响，通常需要多次地址考察，以寻找优质的矿脉，而该AI智能体可以减少考察时间与成本。

这些步骤之前对于勘探公司来说成本较高，风险较大，所以公司经常为了避免浪费资源而行动缓慢。

而AI智能体做出这种决策的速度大概比人类快20倍，还能减少矿物勘探中的误报频率。Jef Caers认为，这在地质科学中是一个全新的领域。

受比尔·盖茨领导的Breakthrough Energy Ventures基金支持，KoBold Metals已经在澳大利亚、北美和撒哈拉以南非洲等三处地点进行了勘测，预计今年将收集到这三处地点的现场数据，这些数据也将首次证实AI智能体判断的准确程度。

三、IBM训练AI，设计新分子材料代替钴、锂成分

IBM研究人员也在寻找电池中钴、锂等成分的代替成分，以设计符合可持续理念的电池。

其研究团队正在使用AI技术，来识别并测试比当前锂离子电池更加安全和高效的电解质。

该项目侧重于那些现有并且可以马上投入市场的材料，但是另外一项相关研究则希望创建新分子材料代替现有材料。

IBM的AI专家使用生成模型（Generative Models）来训练AI学习已知材料的分子结构和这些材料的粘度、熔点、电子导电率等物理性质。

根据IBM专家Seiji Takeda和Young-hye的邮件，他们使用已知的电解质材料数据进行AI训练，以此来设计合适的电解质或离子导电聚合物。

一旦完成AI训练，研究人员就可以要求AI“设计一种符合X、Y和Z特性的新型分子电解质材料”，AI模型就会参考结构特征关系，设计候选材料。

目前IBM已经通过这种方法创建了一种名为photoacid generators的新分子，该分子可以帮助生产更环保的计算设备。

IBM还通过这种技术，设计了更先进的高分子复合膜，其二氧化碳吸收效果更好，可以应用于碳捕捉技术中。

Seiji Takeda和Young-hye称，设计更具可持续性的电池将会是他们的下一个目标。

结语：从决策到执行，AI正提速材料创新

KoBold Metals和IBM的研究证明，AI技术可以在地质学和材料学领域发挥更大作用。在这两项研究中，AI技术涉及了收集数据、分析数据、决策与执行等多个环节，正在逐步改变各领域的思维方式。

这或许将推动这两个领域更多的与AI领域研究者进行交流、合作。如果这两项AI研究成功，都可以有效地降低对环境的破坏，更好地推动可持续发展，也在展示了AI在这两个领域的前沿应用。

同时我们也看到，随着电动汽车产业的快速发展，电池技术的未来前景十分可观，这可能是电能替代化石燃料的重要一步。

来源：IEEE Spectrum