Wyobraź sobie jasnowidza mówiącego twoim rodzicom w dniu twoich narodzin, jak długo będziesz żyć. Podobne doświadczenie jest możliwe dla chemików zajmujących się bateriami, którzy wykorzystują nowe modele obliczeniowe do obliczania żywotności baterii na podstawie zaledwie jednego cyklu danych eksperymentalnych.

W nowym badaniu naukowcy z Argonne National Laboratory, należącego do Departamentu Energii Stanów Zjednoczonych (DOE), wykorzystali możliwości uczenia maszynowego do przewidywania żywotności szerokiej gamy baterii o różnych składach chemicznych. Wykorzystując dane eksperymentalne zebrane w Argonne z zestawu 300 baterii o sześciu różnych składach chemicznych, naukowcy mogą precyzyjnie określić, jak długo poszczególne baterie będą działać w cyklu.

Naukowcy z Argonne wykorzystali modele uczenia maszynowego do prognozowania żywotności baterii dla szerokiej gamy różnych składów chemicznych. (Zdjęcie: Shutterstock/Sealstep.)

Algorytm uczenia maszynowego polega na tym, że naukowcy uczą program komputerowy wyciągania wniosków na podstawie początkowego zestawu danych, a następnie wykorzystują wiedzę zdobytą w trakcie szkolenia do podejmowania decyzji na podstawie innego zestawu danych.

„W przypadku każdego rodzaju zastosowania baterii, od telefonów komórkowych, przez pojazdy elektryczne, po magazynowanie energii w sieci, żywotność baterii ma fundamentalne znaczenie dla każdego konsumenta” – powiedział Noah Paulson, naukowiec obliczeniowy z Argonne, autor badania. „Konieczność tysiąckrotnego ładowania baterii, aż do jej awarii, może trwać lata; nasza metoda tworzy rodzaj obliczeniowej kuchni testowej, w której możemy szybko sprawdzić, jak będą działać różne baterie”.

„Obecnie jedynym sposobem oceny spadku pojemności akumulatora jest jego cykliczne ładowanie” – dodała Susan „Sue” Babinec, elektrochemik z Argonne, współautorka badania. „To bardzo kosztowne i czasochłonne”.

Według Paulsona, proces określania żywotności baterii może być trudny. „Prawda jest taka, że ​​baterie nie są wieczne, a ich żywotność zależy od sposobu użytkowania, a także od ich konstrukcji i składu chemicznego” – powiedział. „Do tej pory nie było dobrego sposobu, aby dowiedzieć się, jak długo bateria wytrzyma. Ludzie będą chcieli wiedzieć, ile czasu im zostało, zanim będą musieli wydać pieniądze na nową baterię”.

Unikalnym aspektem badania jest to, że opierało się ono na szeroko zakrojonych pracach eksperymentalnych przeprowadzonych w Argonne, obejmujących różnorodne materiały katodowe baterii, a w szczególności opatentowaną przez Argonne katodę na bazie niklu, manganu i kobaltu (NMC). „Mieliśmy baterie o różnym składzie chemicznym, które w różny sposób ulegały degradacji i awariom” – powiedział Paulson. „Wartość tego badania polega na tym, że dostarczyło nam sygnałów charakterystycznych dla działania różnych baterii”.

Dalsze badania w tym obszarze mają potencjał, by ukierunkować przyszłość baterii litowo-jonowych, powiedział Paulson. „Jedną z rzeczy, które możemy zrobić, jest wyszkolenie algorytmu na znanym związku chemicznym i umożliwienie mu generowania prognoz na podstawie nieznanego związku chemicznego” – dodał. „Zasadniczo algorytm może pomóc nam wskazać kierunek nowych i ulepszonych związków chemicznych, które oferują dłuższą żywotność”.

Paulson uważa, że ​​w ten sposób algorytm uczenia maszynowego mógłby przyspieszyć rozwój i testowanie materiałów akumulatorowych. „Załóżmy, że masz nowy materiał i poddajesz go kilku cyklom. Możesz użyć naszego algorytmu, aby przewidzieć jego żywotność, a następnie podjąć decyzję, czy chcesz kontynuować eksperymentalne cykle, czy nie”.

„Jeśli jesteś badaczem w laboratorium, możesz odkryć i przetestować o wiele więcej materiałów w krótszym czasie, ponieważ dysponujesz szybszym sposobem ich oceny” – dodał Babinec.

Artykuł oparty na badaniu „Inżynieria funkcji uczenia maszynowego umożliwiła wczesne przewidywanie czasu pracy baterii”, ukazał się w internetowym wydaniu czasopisma Journal of Power Sources z 25 lutego.

Oprócz Paulsona i Babinca autorami artykułu są Joseph Kubal, Logan Ward, Saurabh Saxena i Wenquan Lu z Argonne.

Badanie zostało sfinansowane ze środków grantu Argonne Laboratory-Directed Research and Development (LDRD).