Modelo de Corrosão da University of Waterloo Encontra um Compromisso para o Eletrólito de Baterias
Pesquisadores da University of Waterloo testaram 20 condições de eletrólitos alcalinos e, em seguida, usaram IA para encontrar um compromisso entre a taxa de corrosão do alumínio e a estabilidade eletroquímica. O modelo de corrosão da University of Waterloo selecionou aproximadamente 1,35 molar de hidróxido de potássio, ou KOH, como seu ponto preferencial. Ainda assim, esse resultado não é uma receita para uma bateria pronta. Trata-se de um equilíbrio gerado pelo modelo entre duas medições de corrosão sob condições laboratoriais rigidamente controladas.
Essa distinção cria a tensão central. As baterias de alumínio-ar oferecem alta energia teórica por unidade de metal ativo, mas os eletrólitos alcalinos também consomem o alumínio quando a célula está ociosa. Uma alcalinidade mais forte pode favorecer a atividade eletroquímica enquanto acelera a dissolução indesejada e a produção de hidrogênio. Portanto, selecionar um eletrólito significa administrar objetivos concorrentes, e não apenas minimizar um número.
A equipe substituiu parte desse processo de tentativa e erro por uma rede neural artificial e dois métodos de otimização genética. Seu estudo, publicado em 10 de julho de 2026 na Frontiers, relata pontuações de previsão acima de 0,999 no conjunto de dados montado. No entanto, os pesquisadores não testaram o desempenho de descarga de baterias completas, ciclos de longo prazo ou a operação fora da faixa química medida.
O resultado coloca pressão sobre duas estratégias de desenvolvimento conhecidas. Uma depende de testar muitas formulações e escolher um eletrólito funcional a partir de experimentos discretos. A outra trata a menor taxa de corrosão prevista como a resposta óbvia. O trabalho de Waterloo argumenta que nenhuma dessas abordagens captura o problema completo de design, porque o potencial de corrosão e a corrente de corrosão nem sempre podem melhorar juntos.
O Modelo de Corrosão da University of Waterloo Muda a Seleção de Eletrólitos
A mudança importante não é que a IA previu a corrosão. É que a otimização converteu um conjunto de medições laboratoriais em uma condição específica e testável de eletrólito.
Yasmin Shabeer, Seyed Saeed Madani, Satyam Panchal e Michael Fowler estudaram uma liga comercial de alumínio-magnésio-silício. O trabalho veio do Department of Chemical Engineering da University of Waterloo. O financiamento incluiu o programa Canada Research Chair e o Natural Sciences and Engineering Research Council of Canada.
Os pesquisadores expuseram amostras da liga a soluções de hidróxido de sódio, ou NaOH, e KOH. Cada eletrólito foi testado em concentrações de 1 a 10 molar. Os testes foram realizados a 25 graus Celsius em uma célula de três eletrodos, usando a liga de alumínio como eletrodo de trabalho.
Cada experimento começou com 15 minutos de estabilização em circuito aberto. A equipe então utilizou polarização potenciodinâmica, que mede a corrente enquanto varre a tensão aplicada, para estimar o comportamento de corrosão. A espectroscopia de impedância eletroquímica examinou como a interface metal-eletrólito resistia a um pequeno sinal alternado em diferentes frequências.
Dois resultados sustentaram a análise. O potencial de corrosão, escrito como Ecorr, indica a tendência eletroquímica associada à corrosão sob as condições de teste. A densidade de corrente de corrosão, ou Icorr, serve como indicador comparativo da taxa da reação de corrosão.
Essas medições não descrevem propriedades idênticas. Um potencial de corrosão menos negativo pode parecer favorável, enquanto uma densidade de corrente crescente sinaliza perda mais rápida de material. Essa separação explica por que escolher a melhor concentração a partir de uma única classificação pode induzir pesquisadores ao erro.
Os experimentos também constataram que a identidade do eletrólito importava. Em concentrações equivalentes, o KOH geralmente produziu um potencial de corrosão mais negativo e uma densidade de corrente de corrosão maior do que o NaOH. O artigo associa essa diferença a efeitos dependentes do cátion, envolvendo mobilidade iônica, hidratação e a dupla camada elétrica próxima à superfície metálica.
Uma concentração mais elevada não produziu uma resposta linear simples. Uma alcalinidade baixa a moderada promoveu ativação anódica, enquanto concentrações altas apresentaram comportamento limitado por transporte e pela interface. Em termos práticos, adicionar mais hidróxido acabou deixando de produzir mudanças eletroquímicas proporcionais.
A difração de raios X não detectou produtos cristalinos de corrosão após a exposição. Os autores interpretam esse resultado como dissolução contínua da superfície, acompanhada principalmente por filmes superficiais amorfos ou de curta duração. Isso também deixa uma lacuna, pois a difração de raios X não consegue descrever completamente a forma da corrosão, o desenvolvimento de pites ou a química superficial em nanoescala.
Os pesquisadores treinaram uma rede neural artificial com os dados eletroquímicos. Suas cinco entradas representavam o tipo de eletrólito, a concentração, a temperatura, o potencial aplicado e a densidade de corrente medida. Seus dois alvos eram Ecorr e Icorr.
Uma busca em grade avaliou 351 configurações de rede neural. A rede selecionada continha três camadas ocultas com 20, 25 e 25 neurônios. Ela utilizou o algoritmo de treinamento Adam, uma taxa de aprendizado de 0,001 e 500 épocas de treinamento.
O estudo relata valores de R-quadrado acima de 0,999 para ambos os resultados previstos. O R-quadrado mede quão de perto as previsões acompanham a variação nos dados de referência do modelo. Um valor tão alto indica um ajuste próximo dentro deste conjunto de dados, mas não estabelece precisão em outras ligas ou ambientes operacionais.
Esse modelo treinado tornou-se um substituto rápido para os experimentos. Em vez de testar fisicamente cada concentração intermediária, os algoritmos de otimização puderam consultar o comportamento de corrosão previsto em um espaço de busca contínuo. O processo produziu um ponto operacional proposto entre os incrementos originais de um molar.
É por isso que o modelo de corrosão da University of Waterloo importa. Ele fez mais do que reproduzir resultados medidos. Gerou uma hipótese mais restrita que os pesquisadores podem desafiar com experimentos direcionados.
Por Que as Baterias de Alumínio-Ar Precisam de um Compromisso, Não de um Mínimo
Um eletrólito para alumínio-ar precisa ajudar o ânodo a liberar energia útil sem consumir metal demais por meio de corrosão parasitária.
Em uma célula de alumínio-ar, o alumínio oxida no ânodo enquanto o oxigênio participa da reação no cátodo. A arquitetura obtém um reagente do ar ambiente, ajudando a reduzir a massa transportada dentro do sistema. O alumínio também possui uma densidade energética gravimétrica teórica de 8,1 quilowatts-hora por quilograma como material ativo.
Esse valor teórico não equivale à energia prática da célula. Hardware, eletrólito, componentes do cátodo, utilização incompleta e reações paralelas reduzem o desempenho em nível de sistema. Ainda assim, o potencial subjacente mantém a química alumínio-ar relevante para aplicações em que a energia armazenada importa mais do que a simples recarga elétrica.
O eletrólito desempenha várias funções ao mesmo tempo. Ele transporta íons, favorece a dissolução do alumínio durante uma descarga útil e influencia os produtos de reação no ânodo. No entanto, soluções alcalinas concentradas também podem atacar o alumínio enquanto a célula está em repouso.
Essa reação indesejada consome material ativo sem fornecer corrente útil a uma carga externa. Ela também pode liberar gás hidrogênio, criando preocupações de eficiência, gerenciamento de pressão e segurança. Portanto, o artigo da University of Waterloo trata a corrosão como uma variável de design, e não como uma questão estética de materiais.
Esse problema diferencia os sistemas de alumínio-ar das baterias convencionais recarregáveis de íons de lítio. Em muitos projetos de alumínio-ar, restaurar a capacidade exige substituição mecânica ou reciclagem do ânodo de alumínio consumido. Cada grama perdida por autocorrosão reduz o retorno utilizável desse ciclo de substituição.
A concentração do eletrólito cria uma escolha particularmente difícil. Uma solução fraca pode restringir o transporte iônico ou a cinética de reações úteis. Uma solução mais agressiva pode melhorar a atividade eletroquímica enquanto acelera a dissolução durante a operação ou períodos de inatividade.
A equipe de Waterloo formalizou esse conflito com dois objetivos. A otimização buscou reduzir Icorr enquanto deslocava Ecorr para um valor menos negativo. Melhorar um objetivo acabou degradando o outro, criando um conjunto de soluções não dominadas chamado fronteira de Pareto.
Uma fronteira de Pareto contém escolhas em que nenhum objetivo pode melhorar sem piorar outro. Os pesquisadores selecionaram seu ponto de inflexão, no qual uma melhoria adicional no potencial de corrosão exigia um aumento desproporcional na corrente de corrosão. Esse ponto apareceu próximo de 1,35 M de KOH.
Os valores previstos nessa concentração foram um Ecorr de menos 1,6199 volts e um Icorr de 0,0876 ampères por centímetro quadrado. Esses números devem ser lidos em conjunto. Nenhuma das medições, isoladamente, explica por que o algoritmo preferiu essa condição.
É importante destacar que o KOH não foi o eletrólito mais brando nos experimentos equivalentes. O estudo geralmente observou corrosão mais agressiva em KOH do que em NaOH com molaridade equivalente. Ainda assim, o otimizador selecionou uma condição de KOH porque buscava um equilíbrio específico entre ambos os objetivos.
Essa aparente contradição é o resultado mais útil do estudo. Ela mostra por que “menor corrosão” é uma instrução de design incompleta. Uma condição que suprime um indicador pode produzir um potencial eletroquímico desfavorável ou restringir a atividade útil do ânodo.
Pesquisas anteriores já estabeleceram a corrosão como um gargalo em diversos projetos de baterias. Uma ampla revisão sobre coletores de corrente descreve como a composição do eletrólito, a tensão, a temperatura e as propriedades superficiais do alumínio afetam a dissolução em células à base de lítio. O componente e o mecanismo diferem de um ânodo de alumínio-ar, mas a lição de engenharia é semelhante: os benefícios do eletrólito não podem ser separados da compatibilidade com o metal.
Para desenvolvedores de alumínio-ar, a pressão é imediata. Eles precisam de formulações de eletrólito que favoreçam a descarga útil, limitem perdas durante a inatividade, gerenciem o hidrogênio e tolerem impurezas. Um modelo que reduz o espaço de busca pode economizar experimentos, mas apenas se seus objetivos corresponderem às exigências da bateria final.
Como a IA Encontrou o Compromisso de 1,35 M de KOH
A contribuição do modelo vem da combinação entre previsão não linear e um método de busca que preserva objetivos concorrentes de corrosão.
A rede neural artificial aprendeu relações entre as variáveis eletroquímicas registradas. Redes neurais são úteis quando entradas e saídas interagem de forma não linear, como ocorreu ao longo da faixa de concentrações. O modelo não começou com uma equação física completa para cada reação de superfície.
O processo de treinamento primeiro normalizou as variáveis para que valores em escalas diferentes pudessem ser comparados. Os pesquisadores então variaram a profundidade das camadas, as contagens de neurônios, as taxas de aprendizado e um parâmetro do otimizador Adam. Essa busca estruturada identificou uma configuração que reproduziu de perto os alvos disponíveis.
Os valores de R-quadrado relatados para treinamento, teste e validação de Icorr foram 0,99975, 0,99975 e 0,99970. Uma comparação expressa em unidades físicas produziu um valor de R-quadrado de 0,99974. Esses resultados sugerem pouco erro visível dentro da divisão de dados do estudo.
A etapa seguinte utilizou o modelo como um preditor de baixo custo. Um algoritmo genético padrão buscou uma solução única após combinar os dois objetivos com pesos iguais. Algoritmos genéticos imitam seleção, cruzamento e mutação para melhorar soluções candidatas ao longo de gerações repetidas.
A ponderação igual introduz um julgamento. Ela pressupõe que o potencial de corrosão e a densidade de corrente merecem influência equivalente após a normalização. Um esquema de ponderação diferente poderia favorecer outra região do espaço de projeto.
A equipe, portanto, adicionou o NSGA-II, um algoritmo genético multiobjetivo que não reduz ambos os alvos a uma única pontuação ponderada. Ele reteve uma faixa de condições eletrolíticas não dominadas e expôs o compromisso entre elas. O ponto de joelho representou o candidato mais próximo de uma combinação idealizada de Ecorr máximo e Icorr mínimo.
Ambas as abordagens de otimização convergiram perto de 1,35 M de KOH. O método escalar previu um Ecorr próximo de menos 1,619876 volts e um Icorr de 0,087859 amperes por centímetro quadrado. O NSGA-II retornou praticamente a mesma localização e as mesmas medições.
A concordância entre duas estratégias de otimização torna o ponto selecionado menos dependente de uma única formulação matemática. No entanto, ela não fornece validação experimental independente, pois ambos os métodos consultaram a mesma rede neural treinada.
Essa diferença é importante ao interpretar o modelo de corrosão da University of Waterloo. A convergência mostra consistência interna entre os métodos de otimização. Ela não demonstra que uma célula física operando a 1,35 M de KOH superará todas as alternativas.
A abordagem ainda oferece uma mudança prática no planejamento de laboratório. A triagem tradicional testaria concentrações em intervalos predefinidos, compararia as medições e escolheria outro conjunto de experimentos. Um substituto treinado pode explorar primeiro valores intermediários, permitindo que os pesquisadores usem o tempo de laboratório nos candidatos mais informativos.
Essa estratégia se assemelha ao aprendizado ativo, no qual um modelo ajuda a escolher o próximo experimento em vez de analisar passivamente um conjunto de dados concluído. O presente artigo não relatou um ciclo repetitivo de aprendizado ativo. Ainda assim, seu fluxo de trabalho estabelece a base para um.
Um sistema futuro poderia testar o ótimo previsto, adicionar esse resultado ao conjunto de dados e retreinar o modelo. Os pesquisadores poderiam então amostrar áreas onde a incerteza permanece alta. Repetir esse ciclo revelaria se o aparente ponto de joelho permanece estável à medida que as evidências se ampliam.
A IA é cada vez mais usada em problemas relacionados a baterias, incluindo previsão de propriedades de eletrólitos, triagem de materiais e análise de interfaces. Uma revisão de IA para baterias de 2026 destaca as mesmas oportunidades, ao mesmo tempo que identifica a qualidade limitada dos dados, a generalização e a interpretabilidade como obstáculos persistentes.
Esses obstáculos são especialmente importantes na corrosão. Preparação da superfície, composição da liga, impurezas dissolvidas, fluxo, temperatura e protocolos de teste podem alterar o comportamento medido. Um modelo pode se ajustar de perto a um experimento controlado sem captar todas as variáveis encontradas em um sistema em operação.
O fluxo de trabalho de Waterloo é, portanto, mais bem entendido como otimização orientada por experimentos do que como descoberta química autônoma. Humanos definiram as famílias de eletrólitos, a faixa de concentração, o procedimento de teste, as variáveis-alvo e a regra de compromisso preferida. A IA buscou com eficiência dentro desses limites.
Para equipes de engenharia, essa divisão de trabalho é valiosa. Os modelos podem preservar relações experimentais complexas e classificar testes de acompanhamento. Os pesquisadores ainda decidem se o objetivo do modelo representa valor para a bateria.
Previsões Quase Perfeitas Não Significam uma Bateria Melhor
O ajuste excepcional do modelo é também o motivo pelo qual seus limites merecem atenção cuidadosa.
Um valor de R-quadrado acima de 0,999 parece decisivo. Ainda assim, a qualidade da previsão depende da relação entre os dados de treinamento e a pergunta feita. O conjunto de dados do estudo veio de uma liga comercial de alumínio-magnésio-silício, dois eletrólitos de hidróxido e uma temperatura.
A faixa de concentração era ampla, abrangendo de 1 a 10 M. No entanto, a grade experimental subjacente permaneceu estruturada e quimicamente restrita. Não se pediu ao modelo que generalizasse entre numerosas famílias de ligas, aditivos, contaminantes, temperaturas ou projetos de cátodos de ar.
Algumas entradas também exigem interpretação cuidadosa. O potencial aplicado e a densidade de corrente medida foram incluídos entre as cinco características preditivas. Icorr era uma das saídas. Relações entre variáveis elétricas conectadas experimentalmente podem sustentar uma interpolação precisa, oferecendo menos confiança em novos regimes operacionais.
O artigo afirma que seus dados foram divididos em subconjuntos de treinamento, teste e validação. Divisões aleatórias ou estreitamente relacionadas podem colocar medições de condições experimentais semelhantes em todos os subconjuntos. Isso produz uma verificação exigente do ajuste numérico, mas não necessariamente um teste rigoroso de extrapolação química.
Um teste externo mais forte reservaria uma região inteira de concentração, uma família de eletrólitos, uma composição de liga ou uma campanha experimental. Os pesquisadores poderiam então examinar se o modelo prevê condições que não encontrou de perto durante o treinamento. Os resultados publicados não estabelecem esse nível de generalização.
A concentração otimizada de 1,35 M acrescenta outra exigência de verificação. Os experimentos originais usaram soluções de 1 a 10 M, enquanto o modelo buscou continuamente entre pontos medidos. Um experimento direto a 1,35 M determinaria se o joelho previsto resiste ao teste físico.
Os autores também afirmam que correlações diretas com o desempenho de descarga de alumínio-ar estavam fora do escopo do estudo. Nenhuma célula completa foi usada para comprovar maior energia entregue, maior vida útil em armazenamento, acúmulo mais lento de gás ou maior duração operacional na condição selecionada.
O potencial de corrosão e a densidade de corrente de corrosão são indicadores valiosos, mas uma bateria tem mais restrições. Ela precisa de condutividade iônica adequada, transporte de oxigênio, estabilidade do cátodo, tensão de descarga, produtos de reação administráveis e comportamento aceitável em sua faixa de temperatura esperada.
A superfície de teste introduz outro limite. As amostras foram lixadas mecanicamente, limpas com etanol e expostas em uma área de 0,79 centímetros quadrados. Eletrodos comerciais podem ter áreas maiores, acabamentos diferentes, resíduos de fabricação, estruturas de grãos e impurezas de liga.
A equipe repetiu as medições eletroquímicas pelo menos três vezes e relatou tendências consistentes. Isso sustenta a reprodutibilidade dentro do procedimento escolhido. Não elimina a incerteza de escalonamento.
O uso de varreduras contínuas de polarização cria outra ressalva. Os pesquisadores explicam que Ecorr e Icorr foram usados para análise comparativa, em vez de determinação cinética rigorosa a partir de regiões ideais de Tafel. Portanto, os leitores devem evitar tratar os valores de corrente como previsões universais de vida útil.
As evidências de superfície também permanecem incompletas. A difração de raios X não encontrou produtos cristalinos de corrosão, apoiando a interpretação de dissolução contínua e filmes amorfos. Os autores pedem microscopia eletrônica de varredura ou microscopia óptica para esclarecer a morfologia da corrosão.
Esse acompanhamento é importante porque densidades médias de corrente iguais podem ocultar diferentes padrões de falha. A dissolução ampla e uniforme pode afetar um eletrodo de forma diferente de pites ou trincas localizadas. Um modelo treinado apenas com medições elétricas resumidas não pode distinguir esses resultados sem rótulos de superfície correspondentes.
O objetivo da otimização também merece escrutínio. O ponto de joelho é um compromisso matemático entre Ecorr e Icorr, não uma definição universal de desempenho de bateria. Uma unidade de backup estacionária, um extensor de autonomia e uma fonte de energia de campo descartável podem atribuir valores diferentes à vida útil em armazenamento, à potência de pico e ao gerenciamento de gás.
Os pesquisadores também podem preferir NaOH por razões além dos dois alvos modelados. O estudo observou menor agressividade de corrosão em NaOH em concentrações equivalentes. Compatibilidade de materiais, considerações de fornecimento, comportamento de congelamento, condutividade e reciclagem posterior podem alterar uma escolha em nível de sistema.
Pesquisas comparáveis sobre baterias mostram por que uma validação mais ampla é necessária. Uma investigação de referência sobre coletores de corrente de alumínio encontrou estabilidade marcadamente diferente entre cinco eletrólitos líquidos. Embora esse trabalho tenha abordado coletores de íons de lítio, ele ilustra como a mudança de sais ou solventes pode reverter conclusões tiradas de uma família química.
O aprendizado de máquina pode reduzir o número de experimentos necessários para localizar condições promissoras. Ele não pode tornar irrelevantes as variáveis excluídas. Uma interpolação quase perfeita deve desencadear testes físicos mais direcionados, não menos.
Três Testes Mostrarão se o Modelo Importa
O resultado de Waterloo só se torna consequente se seu compromisso previsto resistir a experimentos diretos, química mais ampla e operação em célula completa.
O primeiro sinal é um teste físico em aproximadamente 1,35 M de KOH. Os pesquisadores devem repetir medições de polarização e impedância nessa concentração exata, em vez de depender da interpolação entre molaridades inteiras. A confirmação fortaleceria a afirmação de que o modelo encontrou um joelho eletroquímico real.
Esse teste deve incluir concentrações vizinhas. Uma varredura estreita ao redor do ponto proposto revelaria se 1,35 M marca um ótimo estável ou uma resposta matematicamente precisa em uma curva pouco acentuada. A replicação entre lotes de eletrólito preparados separadamente testaria ainda mais a sensibilidade.
A caracterização direta da superfície deve acompanhar as medições elétricas. A microscopia eletrônica de varredura pode revelar danos localizados, enquanto métodos químicos de superfície podem examinar filmes de óxido e hidróxido. Essas observações testariam a transição implícita do modelo entre regimes limitados por ativação e por transporte.
Se os valores medidos de Ecorr e Icorr corresponderem às previsões, o modelo de corrosão da University of Waterloo ganhará credibilidade como ferramenta de interpolação. Uma discrepância enfraqueceria o ótimo específico, mas ainda forneceria informações úteis para o retreinamento.
O segundo sinal é a validação externa em condições que a rede não observou. Os pesquisadores poderiam reservar uma temperatura, outra liga de alumínio ou um eletrólito com aditivos. O sucesso nesses testes importaria mais do que outra divisão aleatória de observações estreitamente relacionadas.
A temperatura deve receber atenção inicial. Os experimentos publicados foram realizados a 25 graus Celsius, enquanto sistemas práticos podem enfrentar partidas mais frias e operação mais quente. Cinética de reação, condutividade, evolução de gás e estabilidade de filmes podem mudar com a temperatura.
A variação de ligas é igualmente importante. O material testado era aproximadamente 99 por cento de alumínio, com magnésio, silício, ferro, cobre, cromo, titânio e outros constituintes menores. Ânodos comerciais podem usar estratégias de liga diferentes especificamente para controlar a corrosão e o comportamento de descarga.
A extensão do espaço químico testaria se o fluxo de trabalho se generaliza além da escolha entre NaOH e KOH. Aditivos podem suprimir a evolução de hidrogênio ou modificar filmes de superfície, mas também criam mais variáveis. Esse espaço ampliado é onde a triagem assistida por IA deve oferecer sua maior vantagem.
O terceiro sinal é o desempenho em célula completa. Um eletrólito útil para alumínio-ar deve fornecer energia por meio de um sistema completo de ânodo, separador, eletrólito e cátodo de ar. Os pesquisadores precisam medir a tensão de descarga, a utilização do alumínio, a evolução de hidrogênio, a perda em repouso e o gerenciamento de produtos de reação.
Um teste de célula completa também poderia comparar 1,35 M de KOH com a condição mais forte de NaOH e uma linha de base convencional. Essa comparação revelaria se o ótimo de dois objetivos do modelo melhora os resultados que os desenvolvedores de aplicações realmente valorizam.
Trabalhos anteriores mostram por que é importante ir além das medições em meia-célula. Pesquisas sobre corrosão do alumínio há muito constataram que a composição do eletrólito pode alterar a formação de pites e o comportamento de filmes protetores. Um recente estudo sobre passivação também relacionou a estabilidade do alumínio às condições de operação em coletores de corrente de baterias de íons de lítio.
A química e as funções dos eletrodos são diferentes, portanto esses resultados não podem validar o ponto ótimo identificado em Waterloo. Eles reforçam, porém, uma lição: uma superfície de alumínio útil depende de todo o ambiente eletroquímico, não de uma propriedade isolada do material.
Se os três sinais estiverem alinhados, a pesquisa poderá sustentar um ciclo de desenvolvimento mais eficiente. Os experimentos gerariam dados estruturados de corrosão, um modelo identificaria as compensações, e testes de acompanhamento corrigiriam o modelo. As células completas então determinariam se as variáveis proxy otimizadas geram valor real para o sistema.
Esse fluxo de trabalho também pode melhorar o registro científico. Equipes de baterias precisam conectar formulações, etapas de preparação, traços eletroquímicos, imagens de superfície e versões de modelos. Uma base de conhecimento de engenharia pesquisável pode ajudar a preservar por que um candidato avançou enquanto outro falhou.
Por enquanto, o resultado é mais limitado, mas ainda útil. Pesquisadores da University of Waterloo identificaram uma compensação não linear de corrosão e a traduziram em um alvo experimental falsificável. Eles não estabeleceram um eletrólito comercial, uma célula de maior durabilidade ou um preditor universal de corrosão.
O próximo passo cabe ao laboratório. Testar diretamente a previsão de 1,35 M de KOH, desafiar o modelo com condições desconhecidas e comparar células completas com referências confiáveis. Se esses resultados concordarem, a otimização de corrosão assistida por IA terá avançado da interpolação precisa em direção ao projeto prático de baterias.
