Los investigadores optimizan la composición de un óxido metálico de transición de múltiples elementos para lograr una densidad energética excepcional en baterías de iones de sodio.
La creciente demanda de tecnologías sostenibles, como los vehículos eléctricos y la generación de energía renovable, ha impulsado la investigación sobre nuevos tipos de baterías que podrían superar las limitaciones de las actuales baterías de iones de litio. En este contexto, las baterías de iones de sodio (Na-ion) se perfilan como una alternativa prometedora, debido a la abundancia de sodio, su bajo costo y su mayor seguridad. Sin embargo, la complejidad en la elección de los materiales óptimos para su construcción ha sido un desafío importante.
Un equipo de investigación dirigido por el profesor Shinichi Komaba de la Universidad de Ciencias de Tokio (TUS) y otras instituciones japonesas ha empleado el aprendizaje automático para optimizar la composición de los óxidos de metales de transición de sodio (NaMeO₂), materiales clave en el desarrollo de estas baterías. Este estudio, apoyado por las agencias JST-CREST, DX-GEM y JST-GteX, fue publicado en Journal of Materials Chemistry A.
Para abordar la complejidad de la selección de materiales, el equipo construyó una base de datos de 100 muestras de óxidos de sodio tipo O3 con diversas composiciones, recopiladas durante 11 años. A partir de estos datos, entrenaron un modelo de aprendizaje automático con optimización bayesiana para predecir la combinación óptima de metales de transición en el óxido de sodio y así obtener la mejor densidad de energía y durabilidad en las baterías.
El modelo sugirió una composición de Na[Mn₀.₃₆ Ni₀.₄₄ Ti₀.₁₅ Fe₀.₀₅]O₂ como la más prometedora para maximizar la densidad de energía. Para validar estos resultados, los investigadores sintetizaron y probaron esta combinación en baterías, comprobando que los resultados experimentales se alineaban con las predicciones.
Este avance muestra el potencial del aprendizaje automático en el desarrollo de baterías de próxima generación y podría acelerar la creación de baterías de iones de sodio comerciales, reduciendo costos y mejorando la capacidad de almacenamiento de energía. Estos desarrollos son prometedores no solo para la generación de energía renovable y vehículos eléctricos, sino también para dispositivos de consumo como laptops y teléfonos inteligentes.
El profesor Komaba concluyó que este enfoque no solo reduce el número de experimentos necesarios, sino que también abre nuevas vías para aplicar el aprendizaje automático en la ciencia de materiales, acelerando así la innovación en este campo estratégico para la sostenibilidad futura.