Революция в разработке батарей: машинное обучение ускоряет и удешевляет инновации в литий-ионных аккумуляторах

Мир - Информационное агентство Эхбари

Революция в разработке батарей: машинное обучение ускоряет и удешевляет инновации в литий-ионных аккумуляторах

Мировой спрос на хранение энергии продолжает расти, обусловленный быстрым внедрением электромобилей, портативной электроники и возобновляемых источников энергии. В основе этой трансформации лежат литий-ионные батареи, однако их разработка долгое время страдала от значительного узкого места: трудоемкого и затратного по времени процесса тестирования новых конструкций. Тем не менее, недавний прорыв международной группы ученых, опубликованный в престижном журнале Nature, обещает революционизировать этот ландшафт, представив метод машинного обучения, который может значительно сократить затраты и энергию, необходимые для вывода на рынок литий-ионных батарей следующего поколения.

Традиционно определение срока службы и реальной применимости новой конструкции батареи включает трудоемкий подход 'грубой силы'. Прототипы подвергаются бесчисленным циклам зарядки-разрядки, часто в течение месяцев или даже лет, пока они не достигнут порога конца срока службы. Этот процесс не только мучительно медленный, но и невероятно энергоемкий и дорогостоящий. Удручающая оценка одного исследования показала, что без фундаментальных изменений в процессе разработки, текущие и будущие конструкции литиевых батарей могут совместно потреблять ошеломляющие 130 000 гигаватт-часов (ГВтч) энергии в период с 2023 по 2040 год. Чтобы представить это в перспективе, эта цифра составляет примерно половину годового объема электроэнергии, вырабатываемой во всем штате Калифорния (278 338 ГВтч), что подчеркивает неустойчивую траекторию инноваций в области батарей.

Новое исследование представляет сложную систему машинного обучения, названную 'Discovery Learning' (Обучение через открытия), которая, по утверждению ее создателей, может сэкономить поразительные 98 процентов времени и 95 процентов затрат по сравнению с обычными методами. Этот парадигматический сдвиг от исчерпывающих физических испытаний к интеллектуальному, основанному на данных прогнозированию. Доктор Чао Ху, доцент Университета Коннектикута, высоко оценил инновацию в сопутствующей статье, заявив, что она демонстрирует "большой потенциал для решения ключевого узкого места в разработке батарей".

Разработанная постдокторантом Университета Мичигана Цзявэем Чжаном и его командой, система Discovery Learning основывается на фундаментальной работе исследования 2019 года. Это более раннее исследование показало, что модель машинного обучения может точно прогнозировать срок службы батарей, используя данные ранних этапов испытаний прототипов, достигая средней ошибки менее 15 процентов на тестовых наборах. Чжан и его коллеги усовершенствовали эту концепцию, разделив метод на три взаимосвязанных модуля: 'Learner' (Обучающийся), 'Interpreter' (Интерпретатор) и 'Oracle' (Оракул).

Процесс начинается с модуля 'Learner', который интеллектуально выбирает прототипы новых конструкций батарей, которые, как считается, с наибольшей вероятностью дадут ценные данные для повышения точности прогнозирования. Эти выбранные прототипы затем проходят первоначальные испытания на ранних этапах. Модуль 'Interpreter' впоследствии берет эти данные ранних этапов и, интегрируя модели физических свойств вместе с историческими данными о полном сроке службы существующих батарей, проводит всесторонний анализ. Наконец, модуль 'Oracle' использует выходные данные Interpreter для прогнозирования сроков службы недавно испытанных прототипов. Важно отметить, что инновация заключается в цикле обратной связи: эта информация о прогнозируемом сроке службы затем передается обратно в модуль Learner, информируя выбор следующей партии прототипов для физических испытаний. Этот итеративный, самосовершенствующийся цикл является краеугольным камнем эффективности системы.

Доктор Ху подчеркнул это ключевое отличие, отметив: "Главная новизна модели Discovery Learning заключается в том, что она обновляется, используя сроки службы, предсказанные Оракулом, а не используя экспериментально измеренные сроки службы, избегая необходимости в трудоемком тестировании батарей на полный срок службы". Это устраняет наиболее ресурсоемкий аспект традиционной разработки батарей, обещая быстрое ускорение цикла исследований и разработок.

Однако путь к широкому внедрению не лишен проблем. Доктор Ху также высказывает осторожную точку зрения, подчеркивая, что остается неясным, насколько надежной будет система Discovery Learning при столкновении с новыми конструкциями батарей, которые существенно отличаются от характеристик батарей, используемых для ее первоначальных обучающих данных. Кроме того, он указывает, что "прежде чем система может быть принята для общего использования, необходима дальнейшая проверка, чтобы увидеть, насколько хорошо она работает для батарей, используемых в реальных условиях, например, при переменных температурах и при различных электрических нагрузках". Эти соображения подчеркивают важность непрерывных исследований и строгих испытаний в различных эксплуатационных сценариях для обеспечения надежности и широкой применимости системы в сложном спектре аккумуляторных технологий.

Информационное агентство Эхбари