電動汽車 (EV) 正在改變交通運輸方式，但成本、使用壽命和續航里程等挑戰仍然是廣泛采用電動汽車的障礙。這些挑戰的核心在于電池技術，尤其是電解質，這是實現能源存儲和輸送的關鍵組件。電解質的特性直接影響電池的充電速度、功率輸出、穩定性和安全性。
為了克服這些障礙，研究人員開始采用 AI 驅動的方法來加速新型電池材料的發現。
作為電池創新領域的領導者，SES AI 正在利用先進的 NVIDIA 硬件和軟件生態系統來革新材料發現。SES AI 將適用于特定領域的 LLM 與 AI 模型和 GPU 加速的模擬相結合，將數十年的研究壓縮為幾個月，并在電動汽車電池性能方面取得突破性進展。
SES AI 的電池創新方法
SES AI 的開創性工作分為以下關鍵步驟：
- 繪制分子宇宙圖
- 推動化學 LLM 發展
- 構建高性能電池
繪制分子宇宙圖
SES AI 正在創建全面的分子字典，以繪制數百萬個小分子的物理和化學性質。這項工作為高級材料發現奠定了基礎。其工作流程的核心是 AIMNet2 (Atoms in Molecules Neural Network) —— 一種由卡內基梅隆大學的 Isayev Lab 開發的神經網絡勢 ，可顯著提高分子模擬和屬性預測的速度和準確性。
SES AI 首席執行官 Qichao Hu 解釋道：“我們在分子宇宙研究中的目標是繪制小分子的屬性，以便我們可以為飛行器、人形機器人、數據中心等開發更好的能量存儲設備。通過使用 AIMNet2 與 NVIDIA 開展合作，我們將這一過程從幾千年加速到僅僅幾個月。”
推動化學 LLM 發展
通過利用跨科學領域的通用智能，SES AI 增強了推理能力，以加速電池材料發現。他們特定領域的化學 LLM 為研究人員提供了開發下一代電池的直觀工具。
構建高性能電池
SES AI 快速評估原型中的候選材料，展示顯著的性能增強，為打造更安全、更耐用的電動汽車電池鋪平道路。
使用 NVIDIA 平臺取得突破
SES AI 依靠 NVIDIA 的綜合平臺來瀏覽包含超過 1 億個分子的巨大解決方案空間。圖 1 展示了 SES AI 的工作流程，其中的關鍵創新包括加速分子模擬、優化的交互式數據探索以及提高 LLM 準確性。
NVIDIA 在模擬工作流程中實現了 1.6Kx 加速：從 Skylake CPU 到 500 個 NVIDIA H100 GPU 的硬件加速提高了 20 倍，并通過 NVIDIA ALCHEMI 軟件實現了 80 倍的加速。化學 LLM 的準確度提高了 25%：LLM 作為評判員，在內部基準測試任務中為 SES AI 70B Reasoning LLM v Llama-3.1 70B 選擇正確答案的百分比。準確度平均提升 25%。
加速分子模擬
通過使用 NVIDIA ALCHEMI ，SES AI 使用帶有 AIMNet2 NIM 微服務的 Batched Geometric Relaxation (BGR) 和 Batched Density Functional Theory (DFT) 微服務來快速模擬分子結構。這些工具使研究人員能夠計算 HOMO-LUMO 差距等關鍵屬性，這些屬性決定了分子的電子特性和能量存儲潛力。
BGR AIMNet2 NIM 微服務用于加速尋找每個分子最穩定的分子配置的過程。Batched DFT 微服務增強了 GPU4PySCF，這是一個集成到基于 Python 的 Simulations of Chemistry Framework （PySCF）中的開源 GPU 加速 Python 包。
憑借這些創新，SES AI 在量子化學計算方面實現了無與倫比的效率。
交互式數據探索
SES AI 使用 NVIDIA cuML 加速 UMAP 降維 ，并使用 HDBSCAN 進行聚類 ，以創建包含數百萬個分子的交互式地圖。借助這些工具，科學家能夠發現復雜數據集中的模式，并比以往更快地識別有前景的候選者。
訓練化學 LLM
為了使用 1700 萬篇科學論文中的 35 億個 token 來訓練他們的 Chemistry LLM，SES AI 使用了 NVIDIA DGX Cloud 和 NVIDIA NeMo ，這是一個用于構建特定領域生成模型的框架。
為了實現更高的模型準確性，SES 團隊使用了 NeMo Curator 功能，例如 exact deduplication、numbers filter、word count filter、repeated lines filter 和 non-alphanumeric filter。
最終得到一個定制模型，該模型在分子排序方面比基礎版本更準確，并提供可操作的見解，以前所未有的速度加速發現。
成果：改變電池技術
SES AI 與 NVIDIA 的合作取得了顯著成果：
- 確定了 17 種候選材料：其中兩種材料已經在馬薩諸塞州沃本的 SES AI 的 Electrolyte Foundry 進行了合成和測試。
- 電池循環壽命提高 20%：早期測試表明性能顯著提升
- 在 BGR 和 DFT 工作流中實現 1.6Kx 加速和 2 倍能效：通過 NVIDIA H100 GPUs、NVIDIA ALCHEMI 的 BGR AIMNet2 NIM 和 Batched DFT Microservice 實現。
- 數據探索速度提高 10 倍：由 NVIDIA cuML 提供支持。
- LLM 準確率提高 25%：使用 NVIDIA DGX Cloud 和 NVIDIA NeMo 的 Chemistry LLM 在分子排名和推理任務方面超越了基礎模型。
這些進步帶來了創新
- 鋰金屬電池：提供增強的性能和安全性。
- 高硅鋰電池：新發現的溶劑分子可解決膨脹問題，而不會在高溫下排放有害氣體。
因此，SES AI 已與兩家 汽車 OEM 合作伙伴 簽署了為電動汽車開發電解質材料的協議。
視頻 2. 鋰金屬電池中的電解質配方
通過加速創新推動可持續發展
從歷史上看，發現真正創新的電池電解質需要 5 年時間。如今，得益于 SES AI 和 NVIDIA 技術，每六個月就會出現重大突破。這些技術進步有望增強電動汽車電池的性能、安全性和生命周期——減少溫室氣體排放，同時在全球范圍內推動可持續實踐。
新材料的快速發現加速了技術進步，刺激了經濟增長，并為全球應對氣候變化的努力提供了支持。
助力全球研究人員
NVIDIA 工具正在助力全球研究人員加速材料發現：
- 注冊以在 NVIDIA Batched Geometry Relaxation NIM 微服務可供下載時接收通知。
- 使用 NVIDIA NeMo 構建自定義生成式模型。
- 使用 cuML 和 Python 庫加快 ML 工作流程，無需更改代碼。
NVIDIA 與 SES AI 等合作伙伴攜手推動創新，這將塑造能源存儲的未來，并激發一個更加可持續的世界。
有關更多信息，請參閱近期的 GTC 會議：
致謝
感謝 Yumin Zhang、Dan Hannah、Vignesh Prabhakar、Md Amirul Islam、Adam Atanas、Richard Chang、Kai Liu、Kang Xu 和 Qichao Hu 的貢獻。
