Les bateries de sodi són una alternativa prometedora a les de liti perquè el sodi és molt més abundant. Els obstacles per generalitzar-les són la poca capacitat d'emmagatzemar energia i el mal comportament després de molts cicles de càrrega. Trobar materials amb el rendiment necessari per al càtode és lent si es fa assaig a assaig, i per això hi ha equips que volen que un model d'IA ajudi a triar quines composicions val la pena sintetitzar.
Un grup de la Universitat de Surrey ha publicat a la revista «Journal of Materials Chemistry A» (DOI 10.1039/d6ta04588j) una «biblioteca» de 28 composicions d'òxid de sodi i manganès, en què part del manganès s'ha substituït per quantitats diferents de ferro, titani i vanadi. Cada composició es va provar en bateries de sodi i es van comparar. L'equip, amb Eden Marks i Daniel Commandeur com a autors principals, va crear també un mètode automàtic per analitzar el gran volum de dades experimentals i el va fer servir per entrenar un model d'aprenentatge automàtic.
Les dades mostren que el ferro es relaciona amb més capacitat d'emmagatzemar energia, que el vanadi millora l'estabilitat després de molts cicles de càrrega i descàrrega, i que quantitats petites de titani milloren el rendiment a ritmes de càrrega alts. Algunes composicions amb titani conservaven més del 90% de la capacitat després de 100 cicles. Marks recorda que canvis relativament petits en la composició poden moure l'equilibri entre capacitat, rendiment a ritme alt i durada.
El límit principal és que la biblioteca és massa petita perquè el model faci prediccions fiables, i els mateixos autors la presenten com un primer pas. Ampliar-la i aplicar el mètode a molts més materials per a càtodes podria permetre que una IA assenyali composicions prometedores abans de sintetitzar-les; això encara no s'ha demostrat. Les xifres vénen de la nota de la universitat, no d'una lectura completa de l'article.