Das Elektrolyt ist das zentrale Bindeglied in einer Batterie: Es ermöglicht den Ionenfluss zwischen den Elektroden und bestimmt damit Leistung, Stabilität, Sicherheit und Lebensdauer des Energiespeichers. Schon kleine Änderungen in der Zusammensetzung des Elektrolyts oder den physikalisch-chemischen Eigenschaften können erhebliche Auswirkungen auf die Batteriefunktionen haben. Neue Elektrolyte können die Leistungsfähigkeit und Lebensdauer moderner Batterien steigern, ihre Sicherheit erhöhen oder neue Batteriechemien ermöglichen. Batterien werden dadurch effizienter, langlebiger und kostengünstiger. Doch die Entwicklung neuer Elektrolyte ist komplex: In einer Batterie interagieren zahlreiche chemische Komponenten miteinander und Nebenreaktionen, die die Zellleistung beeinträchtigen, sind kaum vermeidbar. Die Vielfalt möglicher Komponenten und Reaktionspfade führt dabei zu einem nahezu unbegrenzten chemischen Raum, in dem klassische Versuch-und-Irrtum-Ansätze schnell an ihre Grenzen stoßen. Eine datengetriebene, modellgestützte Entwicklung ist daher entscheidend, um vielversprechende Formulierungen schneller zu identifizieren und gezielt zu optimieren. Um den Entwicklungsprozess zu beschleunigen, ist deshalb ein integrativer Ansatz notwendig, der experimentelle Daten und Simulationsergebnisse systematisch verknüpft, um sie für die Entwicklung neuer Elektrolyte nutzbar zu machen.

Das Projekt KI-LECTROLYTE verfolgt einen daten- und modellbasierten Ansatz, um neue Elektrolytformulierungen zu finden. Dafür entwickeln die Projektpartner Simulations- und Vorhersagemodelle, um Elektrolyteigenschaften schneller zu identifizieren. Kernstück des Projekts ist eine zentrale Elektrolyt-Datenbank, die gemessene, simulierte und KI-basierte Vorhersagen zu wichtigen Materialeigenschaften enthält und sich gezielt nach Batteriechemien wie etwa Lithium-Ionen-, Natrium-Ionen- oder Lithium-Schwefel-Batterien durchsuchen lässt. Die Datenbank bietet einen konsolidierten Zugang zu qualitativ geprüften Daten und unterstützt so die gezielte Planung und Bewertung von Experimenten und Simulationen. KI-gestützte Modelle ermöglichen es auf Basis dieser Datenbank, Elektrolyteigenschaften präzise vorherzusagen und neue Formulierungen vorzuschlagen – sowohl für die Optimierung bestehender Systeme als auch für die Entwicklung neuer chemischer Ansätze. Damit schließt KI-LECTROLYTE eine zentrale Lücke in der Elektrolytmaterialforschung, denn trotz zahlreicher Materialdatenbanken für Festkörper oder Elektrodenmaterialien gibt es bislang kaum strukturierte und umfassende Datensammlungen speziell für Elektrolyte.

Fraunhofer SCAI bringt seine Expertise in KI-gestützter Materialforschung, Datenintegration und wissensbasierter Modellierung in das Projekt ein. SCAI entwickelt KI-Modelle, um die Eigenschaften von Elektrolyten zuverlässig vorherzusagen, nutzt dabei Erfahrungen aus der Simulation auf atomarer Ebene, und gestaltet die Datenstruktur der neuen Elektrolyt-Datenbank auf Grundlage langjähriger Kompetenz in Batterieontologien. Außerdem entwickelt SCAI allgemeine KI-Modelle für zentrale Batterie-Kennzahlen (KPIs) und setzt dabei moderne Transformer-Modelle und das generative KI-Tool LLamol ein, um neue Elektrolytmoleküle zu entwerfen.

KI-LECTROLYTE wird vom Programm Next.In.NRW der Innovationsförderagentur NRW des Landes Nordrhein-Westfalen (Förderkennzeichen: EFRE-20801094) für drei Jahre gefördert.

Laufzeit: 08/2025 bis 07/2028