Proč je návrh elektrolytu tak složitý

Elektrolyt v baterii není jednoduchá chemikálie. Je to komplexní směs solí, rozpouštědel a přísad, které spolu vzájemně interagují, reagují na teplotu a musí splňovat často protichůdné požadavky — vysokou vodivost, chemickou stabilitu, nízkou viskozitu a bezpečnost. Už jen samotných potenciálních molekul pro elektrolyty existuje přibližně 10⁶⁰ — to je číslo s šedesáti nulami, které přesahuje počet hvězd v pozorovatelném vesmíru.

Když k tomu přidáte prakticky nekonečné množství způsobů, jak tyto látky kombinovat v různých poměrech a koncentracích, je zřejmé, že lidský výzkumník nemá šanci tento prostor prohledat za celý svůj život. Přesně tady nastupuje generativní umělá inteligence.

ElectrolyteGPT: AI, která rozumí celé směsi

Tým z UChicago Pritzker School of Molecular Engineering pod vedením profesora Chibueze Amanchukwua vyvinul model pojmenovaný ElectrolyteGPT. Na rozdíl od většiny dosavadních AI přístupů, které pouze vybírají vhodné jednotlivé molekuly, ElectrolyteGPT generuje kompletní složení elektrolytu — neurčuje jen, jaké látky použít, ale také jejich přesné koncentrace, vzájemné poměry a další parametry směsi.

„Elektrolyty baterií nové generace musí splňovat řadu často protichůdných požadavků na vlastnosti,“ vysvětluje první autor studie Jaemin Kim. „Díky schopnosti modelu generovat výstupy za různých podmínek je ElectrolyteGPT schopen navrhovat nové kandidáty, kteří splňují všechny požadované vlastnosti současně.“

Výzkum byl publikován v prestižním časopise JACS Au a navazuje na dřívější projekt, který v roce 2024 získal Google Research Scholar Award ve výši 60 000 dolarů.

fLine: Nový chemický jazyk pro směsi

Klíčovou technickou inovací celého projektu je vytvoření nového chemického zápisu nazvaného fLine (odvozeného od standardního formátu SMILES). Zatímco tradiční chemické jazyky popisují pouze strukturu jednotlivé molekuly, fLine dokáže zachytit celou směs — včetně poměrů rozpouštědel, koncentrací solí, teploty a dalších proměnných.

Pro představu: běžná kuchyňská sůl se ve SMILES zapisuje jako [Na+].[Cl-]. FLine jde o krok dál a do zápisu přidává i informace typu „kolik soli v jakém rozpouštědle při jaké teplotě“. Díky tomuto jazyku AI poprvé „rozumí“ elektrolytu jako celku, nikoli jen jeho jednotlivým složkám.

Profesor Amanchukwu zdůrazňuje, že fLine není užitečný jen pro elektrolyty: „Je to přínosné pro směsi obecně. Nyní můžete vygenerovat kompletní formulaci s více různými solemi a rozpouštědly v různých koncentracích a poměrech.“

Co AI skutečně dokázala

Nejde jen o teoretický koncept. Tým syntetizoval několik složení doporučených modelem ElectrolyteGPT a výsledky byly povzbudivé — nové elektrolyty dosáhly výkonu srovnatelného se špičkovými komerčními alternativami v lithiových kovových bateriích. To je podstatné, protože lithiové kovové baterie jsou považovány za jednu z nejslibnějších technologií pro ukládání energie s výrazně vyšší hustotou než dnešní lithium-iontové články.

„Měli jsme řadu složení, která fungovala na úrovni současné špičky, a to pro nás bylo vzrušující,“ komentuje Amanchukwu. „Zároveň je před námi ještě spousta práce — cílem je najít elektrolyty, které současné nejlepší řešení překonají.“

AI ve službách materiálové vědy: Širší kontext

ElectrolyteGPT není osamoceným projektem. Využití AI pro objevování nových materiálů zažívá v posledních letech boom. DeepMind (Google) představil nástroj GNoME, který objevil přes 2,2 milionu nových krystalických struktur. Microsoft vyvinul MatterGen pro návrh materiálů s požadovanými vlastnostmi. V březnu 2026 publikovali vědci v Nature Communications studii, kde pomocí deep active learningu prodloužili životnost lithiových baterií trojnásobně — a to po pouhých třech iteracích učení modelu.

Co odlišuje ElectrolyteGPT od těchto přístupů, je právě schopnost pracovat s celými směsmi, nikoli jen s jednotlivými materiály. Většina AI modelů vyvinutých pro objevování molekul byla navíc původně trénována na hledání léčiv, nikoli materiálů pro baterie. „Když použijete to, co je dostupné v literatuře, vygeneruje vám to molekuly podobné lékům. To pro nás není relevantní,“ vysvětluje Amanchukwu. Jeho tým proto vytvořil vlastní datovou sadu specifickou pro elektrolyty.

Co to znamená pro běžného uživatele a evropský trh

Praktický dopad je jasný: rychlejší vývoj lepších baterií. Každý, kdo používá mobilní telefon, notebook nebo elektromobil, těží z pokroku v ukládání energie. AI může zkrátit vývojový cyklus nových bateriových technologií z desetiletí na měsíce.

Pro Evropu je toto téma obzvlášť aktuální. Evropská unie masivně investuje do bateriového průmyslu prostřednictvím European Battery Alliance a vznikají gigafactory napříč kontinentem. Podle nového nařízení EU o bateriích (EU Battery Regulation 2023/1542) musí být baterie od roku 2027 vybaveny digitálním pasem a splňovat přísné ekologické standardy — AI nástroje jako ElectrolyteGPT mohou evropským výrobcům pomoci rychleji vyvíjet baterie, které tyto normy splní.

V České republice působí několik výzkumných skupin zaměřených na elektrochemii a materiálový výzkum — například na Vysoké škole chemicko-technologické v Praze nebo na CEITEC v Brně. I když ElectrolyteGPT zatím není veřejně dostupný jako komerční nástroj, podobné AI metody se pravděpodobně rychle rozšíří i do akademické sféry.