
AI hittar batterimaterial – verkligheten avgör om de fungerar
Från miljontals kristallförslag till en cell som håller i åratal återstår en lång kedja av experiment.
AI kan leta efter nya batterimaterial långt snabbare än människor. Men en stabil kristall i datorn är inte samma sak som ett tillverkningsbart batteri. GNoME och självkörande laboratorier visar både möjligheterna och var verklighetens flaskhalsar börjar.
Miljontals förslag, inget färdigt batteri
En robot väger upp pulver, blandar råvaror och skickar provet till en ugn. Efter upphettningen mäts materialets kristallstruktur med röntgen. Ett datorprogram jämför resultatet med målet och väljer hur nästa försök ska ändras. Det är arbetsgången i A-Lab vid Lawrence Berkeley National Laboratory i Kalifornien: ett laboratorium där delar av materialforskningens praktiska arbete har automatiserats.

Men på arbetsbänken ligger inte nödvändigtvis ett batterimaterial. Och definitivt inte ett färdigtestat batteri. Där finns ett prov vars innehåll först måste fastställas.
Den skillnaden är avgörande när AI beskrivs som en motor för nästa batterirevolution. I november 2023 presenterade Google DeepMind GNoME, ett system för att förutsäga oorganiska kristallmaterial. Forskarna rapporterade omkring 2,2 miljoner nya strukturer i sin beräkningsbaserade kartläggning, varav cirka 381 000 placerades på den uppdaterade beräknade stabilitetsgränsen. Det är ett stort tillskott till materialforskningens sökområde – inte lika många laboratoriefynd och ännu mindre lika många batteriuppfinningar.
För energilagring är löftet ändå betydande. Batteriers egenskaper bestäms bland annat av hur joner rör sig genom material, hur elektroner transporteras och vilka reaktioner som sker där olika ämnen möts. Små förändringar i sammansättning eller atomernas placering kan göra stor skillnad.
AI kan hjälpa forskare att hitta lovande kombinationer utan att först tillverka allt. Men det krävs tre tydliga etiketter genom hela berättelsen:
Förutsagd struktur: En beräkning föreslår hur atomer kan ordnas och vilka egenskaper materialet kan ha.
Framställt material: Ett experiment har gett ett prov där den avsedda strukturen och sammansättningen behöver verifieras.
Testad battericell: Materialet har byggts in i en elektrokemisk cell och utvärderats under redovisade förhållanden.
Ingen av dessa nivåer kan ersätta nästa. AI:s genombrott ligger hittills framför allt i att göra urvalet bättre och snabbare.
Vad GNoME faktiskt räknar ut
GNoME står för Graph Networks for Materials Exploration. Kärnan är grafneurala nätverk: modeller som behandlar kristallen som ett nätverk där atomer och deras omgivningar beskrivs matematiskt. Genom träning på beräknade materialdata lär sig modellen samband mellan struktur, sammansättning och energi.

Energin är central eftersom naturen ofta gynnar kombinationer med lägre energi. Om en föreslagen förening lättare kan existera som en blandning av andra ämnen är det ett varningstecken. Forskare jämför därför kandidatens energi med möjliga konkurrerande faser. Den nedre gränsen för dessa kombinationer kallas det konvexa höljet.
Att ligga på detta hölje betyder ungefär att kandidaten inte beräknas vinna energi på att sönderfalla till de jämförda alternativen. Men slutsatsen gäller inom beräkningens antaganden. Temperatur, tryck, oordning och vilka konkurrerande faser som finns med kan påverka bedömningen.
GNoME ersatte inte all fysik med gissningar. Systemet använde en återkopplande process: maskininlärningen föreslog kandidater, utvalda strukturer kontrollerades med densitetsfunktionalteori, DFT, och resultaten användes för att förbättra modellerna. DFT är en kvantmekanisk beräkningsmetod för bland annat elektronstruktur och energi. Den är betydligt mer beräkningskrävande än en tränad modells snabba uppskattning.
Arbetsfördelningen är poängen. AI gör en första sållning i ett enormt sökområde; dyrare beräkningar granskar ett urval. Därmed kan forskarna lägga mindre datortid på uppenbart svaga spår.
För batterier återstår dock andra frågor. En kristall kan vara stabil men leda litiumjoner för långsamt. Den kan transportera joner bra men samtidigt leda elektroner, vilket är olämpligt för en elektrolyt. Den kan också reagera med elektroderna vid de spänningar där batteriet ska arbeta.
GNoME är därför inte en allmän batterikonstruktör. Dess beräknade energilandskap är ett underlag för fortsatt forskning. Dessutom kan metastabila material – sådana som inte ligger vid den lägsta möjliga energin men ändå består länge – vara tekniskt värdefulla. En alltför snäv stabilitetssållning riskerar att missa dem.
Robotlabbet möter kemins motstånd
Nästa problem är receptet. En beräknad struktur kommer inte automatiskt med instruktioner för vilka utgångsämnen, temperaturer, atmosfärer och behandlingstider som får den att bildas.

Här blir A-Lab ett konkret komplement. I Nature-studien från 2023 kombinerade forskarna litteraturbaserade syntesförslag, maskininlärning, robotiserad pulverhantering, värmebehandling och automatiserad analys av röntgendiffraktion. Kandidater valdes med stöd av beräkningsdatabaser, bland annat Materials Project och GNoME.
Röntgendiffraktion fungerar som ett slags strukturellt fingeravtryck. När röntgenstrålar sprids av en kristall uppstår ett mönster som ger information om atomernas periodiska ordning. Analysen kan visa om målfasen verkar ha bildats, men också om provet innehåller flera olika faser.
Författarna rapporterade att systemet under 17 dagars kontinuerlig drift framställde 41 av 58 utvalda målföreningar. Resultatet illustrerade hur en automatiserad kedja kunde föra beräknade kandidater vidare till experiment. Det var däremot inte en demonstration av 41 fungerande batterimaterial.
Siffran måste också läsas tillsammans med metodens begränsningar. Att identifiera faser i pulverdata kan vara svårt, särskilt när strukturer liknar varandra eller flera ämnen blandas. Automatiska tolkningar behöver kunna granskas, och påståenden om nya material kräver noggrann verifiering. Ett prov är inte bevisat rent bara för att några starka toppar stämmer.
Det mest intressanta är därför inte bara robotens arbetstakt, utan återkopplingen. Om ett försök ger fel produkt kan resultatet användas för att välja nästa temperatur eller ett annat utgångsämne. Laboratoriet blir en del av en lärande process.
Ett misslyckat experiment kan vara värdefullt – om systemet förstår vad som misslyckades och sparar resultatet.
Detta är också en möjlighet till aktiv inlärning: att välja nästa experiment efter hur mycket det kan lära forskarna, inte bara efter sannolikheten att lyckas. Men autonomin är avgränsad. Människor sätter mål, bestämmer vilka kemikalier och instrument som får användas och behöver hantera fel som systemet inte är byggt för.
Det svåraste materialet är gränsytan
Anta att forskarna faktiskt lyckas tillverka en ny fast elektrolyt. Den har rätt kristallstruktur och lovande jonledningsförmåga. Nu börjar en annan sorts prövning.

Först måste egenskaperna mätas under relevanta förhållanden. Ett material som leder joner bra vid förhöjd temperatur är inte automatiskt användbart i ett kallt svenskt energilager. Mätningen måste också skilja önskad jontransport från oönskad elektrontransport.
Därefter ska elektrolyten möta elektroderna. Där kan nya ämnen bildas. Ett tunt reaktionsskikt kan ibland skydda kontaktytan; ett annat kan bromsa jonflödet eller fortsätta växa. När elektroderna ändrar volym under laddning kan kontakten försämras. Sprickor, porer och ojämnheter kan göra att strömmen koncentreras lokalt.
Därför räcker det inte att optimera varje ingrediens var för sig. Batteriet är ett system av material som påverkar varandra, både kemiskt och mekaniskt. Den principen är väl etablerad inom forskning om fasta batterier och förklarar varför mycket goda materialvärden inte alltid överlever steget till en cell.
Även själva celltestet kan ge en missvisande bild om villkoren inte redovisas. En liten laboratoriecell kan innehålla ett stort överskott av elektrolyt eller litium, ha mycket tunna elektroder eller hållas under högt yttre tryck. Sådana upplägg kan vara utmärkta för att isolera en forskningsfråga. De bevisar inte att konstruktionen blir energität, billig eller lätt att tillverka.
Kapacitet: Hur mycket laddning lagras, och räknas resultatet per gram aktivt material eller för hela cellen?
Livslängd: Hur förändras kapacitet och motstånd vid angiven temperatur, laddhastighet och urladdningsdjup?
Säkerhet: Vad händer vid överladdning, kortslutning eller uppvärmning? Att byta en brännbar vätska mot ett fast material eliminerar inte alla risker.
AI kan hjälpa till att planera tester och söka samband i mätdata. Men långsamt växande skador måste fortfarande observeras eller förutsägas med modeller som har validerats mot verkliga åldringsförlopp. Livslängd går inte att fastställa från kristallstrukturen ensam.
Från ett gram till en fabrik
När en lovande cell finns återstår tillverkningen. Ett material som kan framställas i ett litet prov behöver kunna produceras i större mängder med jämn kvalitet. Små variationer i föroreningar, partikelstorlek eller fukthalt kan påverka både produktion och prestanda.

Skalning handlar därför inte bara om större reaktionskärl. Värmeöverföring och blandning förändras. Ett fint pulver kan bli svårt att hantera. En syntes som kräver lång upphettning, extrema renhetskrav eller mycket torr atmosfär kan bli dyr trots billiga grundämnen.
Sedan ska materialet passa en cellprocess: blandning, beläggning, torkning, packning och elektrisk formering. Ett nytt material kan kräva nya bindemedel, andra maskiner eller långsammare produktionssteg. Om många celler måste kasseras försvinner snabbt en teoretisk kostnadsfördel.
Här kan AI:s uppgift skifta från upptäckt till processoptimering. Modeller kan söka kombinationer av temperatur, tid och blandningsförhållanden som ger stabil kvalitet. Men träningen kräver representativa produktionsdata. En modell som bara sett lyckade småskaliga experiment kan vara dåligt rustad för fabrikens variationer.
Ekonomin behöver också räknas på systemnivå. Argonne National Laboratorys BatPaC är ett exempel på ett verktyg som kopplar batterikonstruktion till uppskattad tillverkningskostnad. Sådana modeller ersätter inte fabriksdata, men visar varför råvarupriset bara är en del av kalkylen.
Ett billigare katodmaterial kan exempelvis bli mindre attraktivt om det sänker energitätheten så mycket att mer hölje, strömledare och annan kringutrustning behövs för samma lagrade energi. Omvänt kan en något dyrare kemi vara ekonomiskt bättre om batteriet håller längre.
För ett stationärt lager blir därför kostnaden för användbar energi över livstiden ofta mer relevant än ett enskilt pris per kilogram material. Den bästa AI-kandidaten är inte nödvändigtvis den med det mest imponerande materialvärdet, utan den som fungerar i hela denna kedja.
Sveriges chans: sök efter rätt kompromiss
För Sverige finns två tydliga intressen: energilagring för ett elektrifierat samhälle och mindre sårbara materialflöden. Batterier kan bland annat bidra med snabb reglering i elsystemet och flytta el mellan timmar. Men olika användningar ställer olika krav, och batterier är inte en universallösning för all lagring.

I ett fordon är låg vikt och liten volym centrala. Ett stationärt lager kan i vissa fall acceptera lägre energitäthet om pris, livslängd och säkerhet är bättre. Det öppnar för andra materialval och gör frågan om vad AI ska optimera särskilt viktig.
En svensk forsknings- eller industrisatsning skulle exempelvis kunna söka efter material som kombinerar acceptabel prestanda med mindre användning av nickel och kobolt. Järnbaserade litiumjonbatterier visar redan att sådana avvägningar kan vara industriellt relevanta. Natriumjonteknik erbjuder ett annat spår, men inte varje natriumbaserad kemi är automatiskt billig eller fri från problematiska råvaror.
IEA:s analys av kritiska mineraler understryker dessutom att sårbarheten inte bara handlar om mängden grundämnen i jordskorpan. Utvinning, raffinering och förädling kan vara geografiskt koncentrerade. Att ersätta ett ämne hjälper begränsat om det nya kräver en annan starkt koncentrerad försörjningskedja.
Därför bör råvarutillgång, processenergi, återvinning och tillverkningsbarhet komma in tidigt i sökningen. AI kan rangordna kandidater mot flera mål, men miljö- och kostnadsdata är ofta mer osäkra än beräknade kristallenergier. Den osäkerheten måste följa med resultatet.
Den stora möjligheten är inte att datorn ensam uppfinner Sveriges nästa batteri. Det är att beräkningar, automatiserade experiment, cellprovning och produktionskunskap kopplas samman så att dåliga spår avslutas tidigare och bra spår får mer resurser.
När nästa AI-genombrott presenteras bör frågan därför vara enkel: Har modellen föreslagit en struktur, har laboratoriet verifierat materialet eller har en relevant battericell faktiskt klarat prövningen? Först när svaret är tydligt går det att bedöma hur nära genombrottet ligger elnätet.
Källor
- Amil Merchant med flera, Scaling deep learning for materials discovery (2023)
- Nathan J. Szymanski med flera, An autonomous laboratory for the accelerated synthesis of novel materials (2023)
- Jürgen Janek och Wolfgang G. Zeier, A solid future for battery development (2016)
- International Energy Agency, Global Critical Minerals Outlook 2024 (2024)
- Argonne National Laboratory, BatPaC Model Software (Löpande uppdaterad)
Ställ frågor om "AI hittar batterimaterial – verkligheten avgör om de fungerar". Svaren bygger på tidningens egna artiklar.



