DIFFER publiceert database met 31.618 moleculen voor energieopslag in batterijen

De onderzoekers gebruikten onder andere kunstmatige intelligentie en supercomputers om de eigenschappen van de moleculen in kaart te brengen. De moleculen zijn gepubliceerd in het vakblad Scientific Data.

Eigenschappen
Chemici hebben de afgelopen jaren honderden moleculen ontworpen die mogelijk nuttig kunnen zijn voor gebruik in redox-flowbatterijen voor energieopslag. Het zou mooi zijn, zo dachten onderzoekers van het Nederlands onderzoeksinstituut DIFFER, als de eigenschappen van deze moleculen snel en gemakkelijk toegankelijk waren in een database. Het probleem is echter dat van veel moleculen niet alle eigenschappen bekend zijn. Voorbeelden zijn de redoxpotentiaal en de oplosbaarheid in water. Die zijn belangrijk omdat ze een maat zijn voor het vermogen en de energieopslag van redox-flowbatterijen.

31.618 virtuele varianten
Om achter de nog onbekende eigenschappen van moleculen te komen, voerden de onderzoekers 4 stappen uit. Als eerste maakten ze met behulp van slimme algoritmen en een desktopcomputer duizenden virtuele varianten van 2 soorten molecuulfamilies. Deze molecuulfamilies, de chinonen en de aza-aromaten, kunnen goed elektronen opnemen en weer afstaan. Dat is belangrijk in batterijen.

De onderzoekers voedden de computer met de basisstructuren van 24 chinonen en 28 aza-aromaten plus 5 verschillende chemisch relevante zijgroepen. De computer stelde daarop in totaal 31.618 verschillende moleculen op.

300 eigenschappen
In de tweede stap berekenden de onderzoekers met supercomputers bij elk molecuul bijna 300 verschillende eigenschappen. De computer gebruikt hiervoor formules uit de quantumchemie. Die zijn moeilijk op te lossen. Vandaar dat er een sterke computer voor nodig is.

In de derde stap gebruikten de onderzoekers machine learning om te voorspellen of de moleculen oplosbaar zouden zijn in water. De vierde en laatste stap bestond uit het maken van een goed door mens en machine doorzoekbare database. In de database, genaamd Redox DataBase (RedDB), staan de moleculen en hun eigenschappen opgesomd met een overzichtelijke naamgeving en omschrijving.

Validatieprocedures
‘Als je met theoretische modellen en machine learning werkt, moet je natuurlijk wel kunnen vertrouwen op de uitkomsten’, zegt Süleyman Er, de leider van de onderzoeksgroep Autonomous Energy Materials Discovery van DIFFER. ‘Daarom gebruikten we computerprogramma's die hun sporen al hadden verdiend. Ook hebben we specifieke validatieprocedures ingevoerd.’

Nu de database openbaar is, kunnen onderzoekers, ook buiten DIFFER, gemakkelijk zoeken naar potentieel interessante moleculen voor redox-flowbatterijen. Ze kunnen bijvoorbeeld de moleculen kopen of maken en nader onderzoeken. De onderzoekers kunnen de database ook gebruiken om hun machine learning-modellen te verbeteren om zo de zoektocht naar hoogwaardige moleculen voor energieopslag te versnellen.