Il modello di corrosione dell'University of Waterloo individua un compromesso nell'elettrolita per batterie

I ricercatori dell'University of Waterloo hanno testato 20 condizioni di elettroliti alcalini, quindi hanno utilizzato l'IA per individuare un compromesso tra il tasso di corrosione dell'alluminio e la stabilità elettrochimica. Il modello di corrosione dell'University of Waterloo ha selezionato circa 1,35 molare di idrossido di potassio, o KOH, come punto preferenziale. Tuttavia, questo risultato non è una ricetta per una batteria finita. È un equilibrio generato dal modello tra due misurazioni della corrosione in condizioni di laboratorio strettamente controllate.

Questa distinzione crea la tensione centrale. Le batterie alluminio-aria offrono un'elevata energia teorica per unità di metallo attivo, ma gli elettroliti alcalini consumano anche l'alluminio quando la cella è inattiva. Una maggiore alcalinità può sostenere l'attività elettrochimica accelerando al contempo dissoluzione indesiderata e produzione di idrogeno. La scelta di un elettrolita richiede quindi la gestione di obiettivi concorrenti, non la semplice minimizzazione di un singolo valore.

Il team ha sostituito parte di quel processo per tentativi ed errori con una rete neurale artificiale e due metodi di ottimizzazione genetica. Il suo studio, pubblicato il 10 luglio 2026 su Frontiers, riporta punteggi di previsione superiori a 0,999 nel dataset assemblato. Tuttavia, i ricercatori non hanno testato le prestazioni di scarica di batterie complete, i cicli a lungo termine o il funzionamento al di fuori dell'intervallo chimico misurato.

Il risultato mette sotto pressione due strategie di sviluppo consolidate. Una si basa sul test di numerose formulazioni e sulla scelta di un elettrolita praticabile a partire da esperimenti discreti. L'altra considera il più basso tasso di corrosione previsto come la risposta ovvia. Il lavoro di Waterloo sostiene che nessuno dei due approcci catturi l'intero problema progettuale, poiché il potenziale di corrosione e la corrente di corrosione non possono sempre migliorare insieme.

Il modello di corrosione dell'University of Waterloo cambia la selezione dell'elettrolita

Il cambiamento importante non è che l'IA abbia previsto la corrosione. È che l'ottimizzazione ha trasformato un insieme di misurazioni di laboratorio in una condizione elettrolitica specifica e verificabile.

Yasmin Shabeer, Seyed Saeed Madani, Satyam Panchal e Michael Fowler hanno studiato una lega commerciale di alluminio-magnesio-silicio. Il lavoro proveniva dal Department of Chemical Engineering dell'University of Waterloo. I finanziamenti includevano il programma Canada Research Chair e il Natural Sciences and Engineering Research Council of Canada.

I ricercatori hanno esposto campioni di lega a soluzioni di idrossido di sodio, o NaOH, e KOH. Ogni elettrolita è stato testato a concentrazioni da 1 a 10 molari. I test si sono svolti a 25 gradi Celsius in una cella a tre elettrodi, usando la lega di alluminio come elettrodo di lavoro.

Ogni esperimento è iniziato con 15 minuti di stabilizzazione a circuito aperto. Il team ha poi utilizzato la polarizzazione potenziodinamica, che misura la corrente mentre varia la tensione applicata, per stimare il comportamento corrosivo. La spettroscopia di impedenza elettrochimica ha esaminato come l'interfaccia metallo-elettrolita opponesse resistenza a un piccolo segnale alternato su frequenze diverse.

Due risultati hanno costituito la base dell'analisi. Il potenziale di corrosione, indicato come Ecorr, segnala la tendenza elettrochimica associata alla corrosione nelle condizioni di prova. La densità di corrente di corrosione, o Icorr, funge da indicatore comparativo della velocità della reazione di corrosione.

Queste misurazioni non descrivono proprietà identiche. Un potenziale di corrosione meno negativo può apparire favorevole, mentre una densità di corrente in aumento segnala una perdita di materiale più rapida. Questa separazione spiega perché scegliere la migliore concentrazione da una singola classifica possa trarre in inganno i ricercatori.

Gli esperimenti hanno inoltre rilevato che l'identità dell'elettrolita era importante. A concentrazioni equivalenti, il KOH ha generalmente prodotto un potenziale di corrosione più negativo e una densità di corrente di corrosione più alta rispetto al NaOH. L'articolo associa questa differenza a effetti dipendenti dal catione che coinvolgono mobilità ionica, idratazione e doppio strato elettrico vicino alla superficie metallica.

Una concentrazione più elevata non ha prodotto una risposta lineare semplice. Un'alcalinità da bassa a moderata ha promosso l'attivazione anodica, mentre alte concentrazioni hanno mostrato un comportamento limitato dal trasporto e dall'interfaccia. In termini pratici, l'aggiunta di ulteriore idrossido ha infine smesso di produrre cambiamenti elettrochimici proporzionali.

La diffrazione a raggi X non ha rilevato prodotti di corrosione cristallini dopo l'esposizione. Gli autori interpretano il risultato come una dissoluzione superficiale continua accompagnata principalmente da film superficiali amorfi o di breve durata. Resta anche una lacuna, poiché la diffrazione a raggi X non può descrivere pienamente la forma della corrosione, lo sviluppo di vaiolature o la chimica superficiale su scala nanometrica.

I ricercatori hanno addestrato una rete neurale artificiale sui dati elettrochimici. I suoi cinque input rappresentavano tipo di elettrolita, concentrazione, temperatura, potenziale applicato e densità di corrente misurata. I suoi due obiettivi erano Ecorr e Icorr.

Una grid search ha valutato 351 configurazioni di reti neurali. La rete selezionata conteneva tre strati nascosti con 20, 25 e 25 neuroni. Ha utilizzato l'algoritmo di addestramento Adam, un tasso di apprendimento di 0,001 e 500 epoche di addestramento.

Lo studio riporta valori R-squared superiori a 0,999 per entrambi gli output previsti. R-squared misura quanto strettamente le previsioni seguano la variazione nei dati di riferimento del modello. Un valore così elevato indica un adattamento ravvicinato all'interno di questo dataset, ma non dimostra l'accuratezza su altre leghe o in altri ambienti operativi.

Quel modello addestrato è diventato un sostituto rapido degli esperimenti. Anziché testare fisicamente ogni concentrazione intermedia, gli algoritmi di ottimizzazione potevano interrogare il comportamento corrosivo previsto in uno spazio di ricerca continuo. Il processo ha prodotto un punto operativo proposto tra gli incrementi originali di una molare.

Ecco perché il modello di corrosione dell'University of Waterloo è importante. Ha fatto più che riprodurre i risultati misurati. Ha generato un'ipotesi più circoscritta che i ricercatori possono mettere alla prova con esperimenti mirati.

Perché le batterie alluminio-aria richiedono un compromesso, non un minimo

Un elettrolita per batterie alluminio-aria deve aiutare l'anodo a rilasciare energia utile senza consumare troppo metallo attraverso corrosione parassita.

In una cella alluminio-aria, l'alluminio si ossida all'anodo mentre l'ossigeno partecipa alla reazione catodica. L'architettura preleva un reagente dall'aria ambiente, contribuendo a ridurre la massa trasportata all'interno del sistema. L'alluminio possiede inoltre una densità energetica gravimetrica teorica di 8,1 kilowattora per chilogrammo come materiale attivo.

Questa cifra teorica non equivale all'energia pratica della cella. Hardware, elettrolita, componenti del catodo, utilizzo incompleto e reazioni collaterali riducono le prestazioni a livello di sistema. Tuttavia, il potenziale intrinseco mantiene rilevante la chimica alluminio-aria per applicazioni in cui l'energia immagazzinata conta più della semplice ricarica elettrica.

L'elettrolita svolge diversi compiti contemporaneamente. Trasporta gli ioni, sostiene la dissoluzione dell'alluminio durante la scarica utile e influenza i prodotti di reazione all'anodo. Tuttavia, soluzioni alcaline concentrate possono anche attaccare l'alluminio quando la cella è a riposo.

Quella reazione indesiderata consuma materiale attivo senza erogare corrente utile a un carico esterno. Può inoltre liberare gas idrogeno, creando preoccupazioni per efficienza, gestione della pressione e sicurezza. L'articolo dell'University of Waterloo tratta quindi la corrosione come una variabile di progetto, non come una questione estetica dei materiali.

Questo problema distingue i sistemi alluminio-aria dalle convenzionali batterie ricaricabili agli ioni di litio. In molti progetti alluminio-aria, il ripristino della capacità richiede la sostituzione meccanica o il riciclo dell'anodo di alluminio consumato. Ogni grammo perso per autocorrosione riduce il rendimento utilizzabile di quel ciclo di sostituzione.

La concentrazione dell'elettrolita crea una scelta particolarmente difficile. Una soluzione debole può limitare il trasporto ionico o la cinetica della reazione utile. Una soluzione più aggressiva può migliorare l'attività elettrochimica accelerando al contempo la dissoluzione durante il funzionamento o i periodi di inattività.

Il team di Waterloo ha formalizzato questo conflitto con due obiettivi. L'ottimizzazione cercava un Icorr più basso avvicinando Ecorr a un valore meno negativo. Il miglioramento di un obiettivo finiva per degradare l'altro, creando un insieme di soluzioni non dominate chiamato fronte di Pareto.

Un fronte di Pareto contiene scelte in cui nessun obiettivo può migliorare senza peggiorarne un altro. I ricercatori hanno selezionato il suo punto di ginocchio, nel quale un ulteriore miglioramento del potenziale di corrosione richiedeva un aumento sproporzionato della corrente di corrosione. Tale punto appariva vicino a 1,35 M di KOH.

I valori previsti a quella concentrazione erano un Ecorr di meno 1,6199 volt e un Icorr di 0,0876 ampere per centimetro quadrato. Questi numeri devono essere letti insieme. Nessuna delle due misurazioni, da sola, spiega perché l'algoritmo abbia preferito quella condizione.

È importante notare che il KOH non era l'elettrolita più delicato negli esperimenti comparabili. Lo studio ha generalmente osservato una corrosione più aggressiva nel KOH che nel NaOH a molarità equivalente. Eppure l'ottimizzatore ha comunque selezionato una condizione di KOH, poiché cercava un particolare equilibrio tra entrambi gli obiettivi.

Questa apparente contraddizione è il risultato più utile dello studio. Mostra perché «minima corrosione» sia un'istruzione progettuale incompleta. Una condizione che riduce un indicatore può produrre un potenziale elettrochimico sfavorevole o limitare l'attività utile dell'anodo.

Ricerche precedenti hanno già stabilito la corrosione come un collo di bottiglia in diversi progetti di batterie. Un'ampia review sui collettori di corrente descrive come la composizione dell'elettrolita, la tensione, la temperatura e le proprietà della superficie dell'alluminio influenzino la dissoluzione nelle celle al litio. Il componente e il meccanismo differiscono da quelli di un anodo alluminio-aria, ma la lezione ingegneristica è simile: i benefici dell'elettrolita non possono essere separati dalla compatibilità con il metallo.

Per gli sviluppatori di sistemi alluminio-aria, la pressione è immediata. Servono formulazioni elettrolitiche che sostengano una scarica utile, limitino le perdite in inattività, gestiscano l'idrogeno e tollerino le impurità. Un modello che restringe lo spazio di ricerca può far risparmiare esperimenti, ma solo se i suoi obiettivi corrispondono ai requisiti della batteria finale.

Come l'IA ha individuato il compromesso a 1,35 M di KOH

Il contributo del modello deriva dalla combinazione di previsione non lineare e di un metodo di ricerca che preserva obiettivi di corrosione concorrenti.

La rete neurale artificiale ha appreso le relazioni tra le variabili elettrochimiche registrate. Le reti neurali sono utili quando input e output interagiscono in modo non lineare, come è avvenuto nell'intervallo di concentrazione. Il modello non è partito da un'equazione fisica completa per ogni reazione superficiale.

Il processo di addestramento ha prima normalizzato le variabili affinché valori su scale diverse potessero essere confrontati. I ricercatori hanno poi variato profondità degli strati, conteggi dei neuroni, tassi di apprendimento e un parametro dell'ottimizzatore Adam. Questa ricerca strutturata ha identificato una configurazione che riproduceva da vicino gli obiettivi disponibili.

I valori R-squared riportati per addestramento, test e validazione di Icorr erano 0,99975, 0,99975 e 0,99970. Un confronto espresso in unità fisiche ha prodotto un valore R-squared di 0,99974. Questi risultati suggeriscono un errore poco visibile all'interno della suddivisione dei dati dello studio.

Il passaggio successivo ha utilizzato il modello come predittore a basso costo. Un algoritmo genetico standard ha cercato una singola soluzione dopo aver combinato i due obiettivi con pesi uguali. Gli algoritmi genetici imitano selezione, crossover e mutazione per migliorare le soluzioni candidate attraverso generazioni ripetute.

L'assegnazione di pari peso introduce una valutazione discrezionale. Presuppone che il potenziale di corrosione e la densità di corrente meritino un'influenza equivalente dopo la normalizzazione. Un diverso schema di ponderazione potrebbe favorire un'altra regione dello spazio di progettazione.

Il team ha quindi aggiunto NSGA-II, un algoritmo genetico multi-obiettivo che non riduce entrambi i target a un unico punteggio ponderato. Ha mantenuto un intervallo di condizioni elettrolitiche non dominate e ha evidenziato il compromesso tra esse. Il punto di ginocchio rappresentava il candidato più vicino a una combinazione idealizzata di Ecorr massimo e Icorr minimo.

Entrambi gli approcci di ottimizzazione sono convergenti intorno a 1,35 M di KOH. Il metodo scalare ha previsto un Ecorr vicino a -1,619876 volt e un Icorr di 0,087859 ampere per centimetro quadrato. NSGA-II ha restituito una posizione e misurazioni quasi identiche.

La concordanza tra due strategie di ottimizzazione rende il punto selezionato meno dipendente da una singola formulazione matematica. Non fornisce tuttavia una validazione sperimentale indipendente, poiché entrambi i metodi hanno interrogato la stessa rete neurale addestrata.

Questa differenza conta nell'interpretazione del modello di corrosione dell'University of Waterloo. La convergenza dimostra coerenza interna tra i metodi di ottimizzazione. Non dimostra che una cella fisica operante con 1,35 M di KOH supererà ogni alternativa.

L'approccio offre comunque un cambiamento pratico nella pianificazione di laboratorio. Lo screening tradizionale testerebbe concentrazioni a intervalli predefiniti, confronterebbe le misurazioni e sceglierebbe un altro insieme di esperimenti. Un surrogato addestrato può esplorare prima i valori intermedi, consentendo ai ricercatori di dedicare il tempo di laboratorio ai candidati più informativi.

Questa strategia ricorda l'apprendimento attivo, in cui un modello aiuta a scegliere il prossimo esperimento invece di analizzare passivamente un set di dati già completato. Il presente articolo non ha riportato un ciclo ripetitivo di apprendimento attivo. Tuttavia, il suo flusso di lavoro ne crea le basi.

Un sistema futuro potrebbe testare l'ottimo previsto, aggiungere quel risultato al set di dati e riaddestrare il modello. I ricercatori potrebbero quindi campionare le aree in cui l'incertezza resta elevata. Ripetere quel ciclo rivelerebbe se l'apparente punto di ginocchio rimane stabile man mano che aumentano le evidenze.

L'IA è sempre più utilizzata per problemi correlati alle batterie, tra cui la previsione delle proprietà degli elettroliti, lo screening dei materiali e l'analisi delle interfacce. Una rassegna del 2026 sull'IA per le batterie evidenzia le stesse opportunità, identificando al contempo la qualità limitata dei dati, la generalizzabilità e l'interpretabilità come ostacoli persistenti.

Questi ostacoli sono particolarmente importanti nella corrosione. Preparazione della superficie, composizione della lega, impurità disciolte, flusso, temperatura e protocolli di prova possono modificare il comportamento misurato. Un modello può adattarsi molto bene a un esperimento pulito senza catturare ogni variabile incontrata in un sistema operativo.

Il flusso di lavoro di Waterloo va quindi inteso meglio come un'ottimizzazione guidata dagli esperimenti che come scoperta chimica autonoma. Gli esseri umani hanno definito le famiglie di elettroliti, l'intervallo di concentrazione, la procedura di prova, le variabili target e la regola di compromesso preferita. L'IA ha cercato in modo efficiente entro questi confini.

Per i team di ingegneria, questa divisione del lavoro è preziosa. I modelli possono preservare relazioni sperimentali complesse e classificare i test successivi. I ricercatori decidono comunque se l'obiettivo del modello rappresenti il valore della batteria.

Previsioni quasi perfette non equivalgono a una batteria migliore

L'eccezionale aderenza del modello è anche il motivo per cui i suoi limiti meritano grande attenzione.

Un valore R-quadro superiore a 0,999 sembra decisivo. Tuttavia, la qualità della previsione dipende dalla relazione tra i dati di addestramento e la domanda posta. Il set di dati dello studio proveniva da una lega commerciale alluminio-magnesio-silicio, due elettroliti a base di idrossido e una sola temperatura.

L'intervallo di concentrazione era ampio, da 1 a 10 M. Tuttavia, la griglia sperimentale sottostante è rimasta strutturata e chimicamente ristretta. Al modello non è stato chiesto di generalizzare tra numerose famiglie di leghe, additivi, contaminanti, temperature o configurazioni di catodo ad aria.

Alcuni input richiedono inoltre un'interpretazione attenta. Il potenziale applicato e la densità di corrente misurata erano inclusi tra le cinque caratteristiche predittive. Icorr era uno degli output. Le relazioni tra variabili elettriche collegate sperimentalmente possono supportare un'interpolazione accurata, offrendo però minore fiducia in nuovi regimi operativi.

L'articolo afferma che i dati sono stati suddivisi in sottoinsiemi di addestramento, test e validazione. Suddivisioni casuali o strettamente correlate possono collocare misurazioni provenienti da condizioni sperimentali simili in ogni sottoinsieme. Ciò produce una verifica rigorosa dell'aderenza numerica, ma non necessariamente un severo test dell'estrapolazione chimica.

Un test esterno più solido escluderebbe un'intera regione di concentrazione, famiglia di elettroliti, composizione della lega o campagna sperimentale. I ricercatori potrebbero quindi esaminare se il modello prevede condizioni che non ha incontrato da vicino durante l'addestramento. I risultati pubblicati non stabiliscono quel livello di generalizzazione.

La concentrazione ottimizzata di 1,35 M aggiunge un ulteriore requisito di verifica. Gli esperimenti originali hanno utilizzato soluzioni da 1 a 10 M, mentre il modello ha effettuato una ricerca continua tra punti misurati. Un esperimento diretto a 1,35 M stabilirebbe se il punto di ginocchio previsto resiste ai test fisici.

Gli autori dichiarano inoltre che le correlazioni dirette con le prestazioni di scarica dell'alluminio-aria erano al di fuori dell'ambito dello studio. Non è stata utilizzata alcuna cella completa per dimostrare una maggiore energia erogata, una migliore conservabilità, un più lento accumulo di gas o una maggiore durata operativa nella condizione selezionata.

Il potenziale di corrosione e la densità di corrente di corrosione sono indicatori preziosi, ma una batteria presenta più vincoli. Necessita di adeguata conducibilità ionica, trasporto dell'ossigeno, stabilità del catodo, tensione di scarica, prodotti di reazione gestibili e comportamento accettabile nell'intervallo di temperatura previsto.

La superficie di prova introduce un altro limite. I campioni sono stati levigati meccanicamente, puliti con etanolo ed esposti su 0,79 centimetri quadrati. Gli elettrodi commerciali possono avere aree maggiori, finiture diverse, residui di produzione, strutture a grana e impurità di lega differenti.

Il team ha ripetuto le misurazioni elettrochimiche almeno tre volte e ha riportato tendenze coerenti. Ciò supporta la riproducibilità all'interno della procedura scelta. Non elimina l'incertezza legata alla scalabilità.

L'uso di scansioni di polarizzazione continue introduce un'altra cautela. I ricercatori spiegano che Ecorr e Icorr sono stati usati per un'analisi comparativa, anziché per una rigorosa determinazione cinetica da regioni di Tafel ideali. I lettori dovrebbero quindi evitare di considerare i valori di corrente come previsioni universali della durata.

Anche le prove sulla superficie restano incomplete. La diffrazione a raggi X non ha rilevato prodotti di corrosione cristallini, sostenendo l'interpretazione di dissoluzione continua e film amorfi. Gli autori chiedono l'uso della microscopia elettronica a scansione o della microscopia ottica per chiarire la morfologia della corrosione.

Questo approfondimento è importante perché densità di corrente medie uguali possono nascondere diversi schemi di guasto. Una dissoluzione ampia e uniforme può influire su un elettrodo in modo diverso da crateri o crepe localizzati. Un modello addestrato soltanto su misurazioni elettriche riassuntive non può distinguere questi esiti senza corrispondenti etichette di superficie.

Anche l'obiettivo di ottimizzazione merita esame. Il punto di ginocchio è un compromesso matematico tra Ecorr e Icorr, non una definizione universale delle prestazioni della batteria. Un'unità di backup stazionaria, un range extender e una fonte di alimentazione monouso per il campo possono attribuire valori diversi a conservabilità, potenza di picco e gestione del gas.

I ricercatori potrebbero inoltre preferire NaOH per ragioni che vanno oltre i due target modellati. Lo studio ha osservato una minore aggressività corrosiva in NaOH a concentrazioni equivalenti. Compatibilità dei materiali, considerazioni di approvvigionamento, comportamento al congelamento, conducibilità e riciclo a valle potrebbero modificare una scelta a livello di sistema.

Ricerche comparabili sulle batterie mostrano perché sia necessaria una validazione più ampia. Un'indagine di riferimento sui collettori di corrente in alluminio ha rilevato stabilità nettamente differenti in cinque elettroliti liquidi. Sebbene quel lavoro riguardasse collettori per batterie agli ioni di litio, illustra come il cambiamento di sali o solventi possa ribaltare conclusioni tratte da una sola famiglia chimica.

Il machine learning può ridurre il numero di esperimenti necessari per individuare condizioni promettenti. Non può rendere irrilevanti le variabili escluse. Un'interpolazione quasi perfetta dovrebbe stimolare test fisici più mirati, non meno numerosi.

Tre test mostreranno se il modello conta

Il risultato di Waterloo diventa rilevante solo se il compromesso previsto resiste agli esperimenti diretti, a una chimica più ampia e al funzionamento in cella completa.

Il primo segnale è un test fisico a circa 1,35 M di KOH. I ricercatori dovrebbero ripetere le misurazioni di polarizzazione e impedenza a quella concentrazione esatta, anziché affidarsi all'interpolazione tra molarità intere. La conferma rafforzerebbe l'affermazione che il modello ha individuato un reale punto di ginocchio elettrochimico.

Quel test dovrebbe includere concentrazioni vicine. Una scansione ristretta intorno al punto proposto rivelerebbe se 1,35 M segna un ottimo stabile o una risposta matematicamente precisa su una curva poco pronunciata. La replica con lotti di elettrolita preparati separatamente testerebbe ulteriormente la sensibilità.

Una caratterizzazione diretta della superficie dovrebbe accompagnare le misurazioni elettriche. La microscopia elettronica a scansione può rivelare danni localizzati, mentre i metodi chimici di superficie possono esaminare i film di ossido e idrossido. Queste osservazioni testerebbero la transizione implicita nel modello tra regimi limitati dall'attivazione e dal trasporto.

Se Ecorr e Icorr misurati corrispondono alle previsioni, il modello di corrosione dell'University of Waterloo acquista credibilità come strumento di interpolazione. Una discrepanza indebolirebbe l'ottimo specifico, ma fornirebbe comunque informazioni utili per il riaddestramento.

Il secondo segnale è la validazione esterna in condizioni che la rete non ha visto. I ricercatori potrebbero escludere una temperatura, un'altra lega di alluminio o un elettrolita contenente additivi. Il successo in questi test conterebbe più di un'altra suddivisione casuale di osservazioni strettamente correlate.

La temperatura dovrebbe ricevere attenzione precoce. Gli esperimenti pubblicati sono stati condotti a 25 gradi Celsius, mentre i sistemi pratici possono affrontare avvii più freddi e funzionamento più caldo. Cinetica di reazione, conducibilità, evoluzione del gas e stabilità dei film possono tutte cambiare con la temperatura.

La variazione delle leghe è altrettanto importante. Il materiale testato era costituito da circa il 99 percento di alluminio con magnesio, silicio, ferro, rame, cromo, titanio e altri costituenti minori. Gli anodi commerciali possono adottare strategie di lega diverse proprio per controllare corrosione e comportamento di scarica.

L'estensione dello spazio chimico verificherebbe se il flusso di lavoro si generalizza oltre la scelta tra NaOH e KOH. Gli additivi possono sopprimere l'evoluzione dell'idrogeno o modificare i film superficiali, ma creano anche più variabili. Questo spazio ampliato è quello in cui lo screening assistito dall'IA dovrebbe offrire il massimo vantaggio.

Il terzo segnale è la prestazione in cella completa. Un elettrolita utile per batterie alluminio-aria deve erogare energia attraverso un sistema completo di anodo, separatore, elettrolita e catodo ad aria. I ricercatori devono misurare tensione di scarica, utilizzo dell'alluminio, evoluzione dell'idrogeno, perdite a riposo e gestione dei prodotti di reazione.

Un test in cella completa potrebbe anche confrontare 1,35 M di KOH con la condizione NaOH più efficace e una base di riferimento convenzionale. Tale confronto rivelerebbe se l'ottimo a due obiettivi del modello migliora gli esiti che gli sviluppatori di applicazioni effettivamente acquistano.

Il lavoro storico mostra perché sia importante andare oltre le misurazioni in semicella. Le ricerche sulla corrosione dell’alluminio hanno da tempo rilevato che la composizione dell’elettrolita può modificare la vaiolatura e il comportamento dei film protettivi. Un recente studio sulla passivazione ha analogamente collegato la stabilità dell’alluminio alle condizioni operative nei collettori di corrente delle batterie agli ioni di litio.

La chimica e i ruoli degli elettrodi sono diversi, quindi questi risultati non possono convalidare l’ottimo individuato a Waterloo. Rafforzano però un insegnamento: una superficie di alluminio utile dipende dall’intero ambiente elettrochimico, non da una singola proprietà isolata del materiale.

Se tutti e tre i segnali convergono, la ricerca potrebbe sostenere un ciclo di sviluppo più efficiente. Gli esperimenti genererebbero dati strutturati sulla corrosione, un modello individuerebbe i compromessi e i test successivi correggerebbero il modello. Le celle complete stabilirebbero quindi se le variabili proxy ottimizzate producono un valore reale a livello di sistema.

Questo flusso di lavoro può anche migliorare la tracciabilità scientifica. I team che lavorano sulle batterie devono collegare formulazioni, fasi di preparazione, tracciati elettrochimici, immagini delle superfici e versioni dei modelli. Una base di conoscenza ingegneristica ricercabile può aiutare a preservare le ragioni per cui un candidato è avanzato mentre un altro ha fallito.

Per ora, il risultato è più circoscritto ma comunque utile. I ricercatori dell’University of Waterloo hanno identificato un compromesso non lineare nella corrosione e lo hanno tradotto in un obiettivo sperimentale falsificabile. Non hanno dimostrato un elettrolita commerciale, una cella più duratura o un predittore universale della corrosione.

Il prossimo passo spetta al laboratorio. Testare direttamente la previsione di 1,35 M KOH, mettere alla prova il modello con condizioni non familiari e confrontare celle complete con riferimenti credibili. Se questi risultati convergeranno, l’ottimizzazione della corrosione assistita dall’IA sarà passata dall’interpolazione accurata alla progettazione pratica delle batterie.