En ny maskinlæringsmetode kunne superlade batteriudviklingen til elektriske køretøjer

Batteriydelsen kan gøre eller ødelægge elbiloplevelsen, fra driving range til ladetid til bilens levetid. Nu, kunstig intelligens har gjort drømme som at genoplade en elbil i den tid det tager at stoppe ved en tankstation til en mere sandsynlig realitet, og kunne hjælpe med at forbedre andre aspekter af batteriteknologi.

I årtier, fremskridt inden for batterier til elektriske køretøjer er blevet begrænset af en stor flaskehals:evalueringstider. På hvert trin af batteriudviklingsprocessen, nye teknologier skal testes i måneder eller endda år for at bestemme, hvor længe de vil vare. Men nu, et team ledet af Stanford-professorerne Stefano Ermon og William Chueh har udviklet en maskinlæringsbaseret metode, der reducerer disse testtider med 98 procent. Selvom gruppen testede deres metode på batteriopladningshastighed, de sagde, at det kan anvendes på adskillige andre dele af batteriudviklingspipelinen og endda på ikke-energiteknologier.

"I batteritest, du skal prøve en masse ting, fordi den præstation, du får, vil variere drastisk, sagde Ermon, en adjunkt i datalogi. "Med AI, vi er i stand til hurtigt at identificere de mest lovende tilgange og fjerne en masse unødvendige eksperimenter."

Studiet, udgivet af Natur den 19. feb. var en del af et større samarbejde mellem forskere fra Stanford, MIT og Toyota Research Institute, der bygger bro mellem grundlæggende akademisk forskning og applikationer fra den virkelige verden. Målet:at finde den bedste metode til at oplade et EV-batteri på 10 minutter, der maksimerer batteriets samlede levetid. Forskerne skrev et program, der bl. baseret på kun få opladningscyklusser, forudsagt, hvordan batterier ville reagere på forskellige opladningsmetoder. Softwaren besluttede også i realtid, hvilken opladning, der skulle fokuseres på eller ignoreres. Ved at reducere både længden og antallet af forsøg, forskerne reducerede testprocessen fra næsten to år til 16 dage.

"Vi fandt ud af, hvordan vi i høj grad kunne accelerere testprocessen for ekstrem hurtig opladning, sagde Peter Attia, som var med til at lede studiet, mens han var kandidatstuderende. "Hvad er virkelig spændende, selvom, er metoden. Vi kan anvende denne tilgang til mange andre problemer, lige nu, holder batteriudviklingen tilbage i måneder eller år."

En smartere tilgang til batteritest

At designe ultrahurtigt opladede batterier er en stor udfordring, primært fordi det er svært at få dem til at holde. Intensiteten af ​​den hurtigere opladning belaster batteriet større, hvilket ofte får det til at svigte tidligt. For at forhindre denne skade på batteripakken, en komponent, der tegner sig for en stor del af en elbils samlede omkostninger, batteriingeniører skal teste en udtømmende række af opladningsmetoder for at finde dem, der fungerer bedst.

Den nye forskning søgte at optimere denne proces. I begyndelsen, holdet så, at hurtigopladningsoptimering var ensbetydende med mange trial-and-error-tests - noget, der er ineffektivt for mennesker, men det perfekte problem for en maskine.

"Maskinlæring er prøve-og-fejl, men på en smartere måde, " sagde Aditya Grover, en kandidatstuderende i datalogi, der var med til at lede studiet. "Computere er langt bedre end os til at finde ud af, hvornår de skal udforske - prøv nye og anderledes tilgange - og hvornår de skal udnytte, eller nul i, på de mest lovende."

Holdet brugte denne magt til deres fordel på to vigtige måder. Først, de brugte det til at reducere tiden pr. cykeleksperiment. I en tidligere undersøgelse, forskerne fandt ud af, at i stedet for at oplade og genoplade hvert batteri, indtil det fejlede - den sædvanlige måde at teste et batteris levetid - kunne de forudsige, hvor længe et batteri ville holde efter kun dets første 100 opladningscyklusser. Dette skyldes, at maskinlæringssystemet, efter at være blevet trænet på et par batterier cyklet til fejl, kunne finde mønstre i de tidlige data, der forudsagde, hvor længe et batteri ville holde.

Sekund, maskinlæring reducerede antallet af metoder, de skulle teste. I stedet for at teste alle mulige opladningsmetoder lige, eller stole på intuition, computeren lærte af sine erfaringer for hurtigt at finde de bedste protokoller at teste.

Ved at teste færre metoder til færre cyklusser, undersøgelsens forfattere fandt hurtigt en optimal ultrahurtig opladningsprotokol til deres batteri. Ud over at fremskynde testprocessen dramatisk, computerens løsning var også bedre – og meget mere usædvanlig – end hvad en batteriforsker sandsynligvis ville have udtænkt, sagde Ermon.

"Det gav os denne overraskende enkle opladningsprotokol - noget vi ikke havde forventet, " sagde Ermon. I stedet for at lade ved den højeste strøm i begyndelsen af ​​opladningen, algoritmens løsning bruger den højeste strøm i midten af ​​ladningen. "Det er forskellen mellem et menneske og en maskine:Maskinen er ikke forudindtaget af menneskelig intuition, hvilket er kraftfuldt, men nogle gange vildledende."

Bredere applikationer

Forskerne sagde, at deres tilgang kunne accelerere næsten hver eneste del af batteriudviklingspipelinen:fra design af et batteris kemi til at bestemme dets størrelse og form, at finde bedre systemer til fremstilling og opbevaring. Dette ville have brede konsekvenser ikke kun for elektriske køretøjer, men for andre typer energilagring, et nøglekrav for at kunne skifte til vind- og solenergi på globalt plan.

"Dette er en ny måde at lave batteriudvikling på, sagde Patrick Herring, medforfatter til undersøgelsen og en videnskabsmand ved Toyota Research Institute. "Hvis du har data, som du kan dele blandt et stort antal mennesker i den akademiske verden og industrien, og det analyseres automatisk, muliggør meget hurtigere innovation."

Studiets maskinlærings- og dataindsamlingssystem vil blive gjort tilgængeligt for fremtidige batteriforskere til frit at bruge, Sild tilsat. Ved at bruge dette system til at optimere andre dele af processen med maskinlæring, batteriudvikling – og ankomsten af ​​nyere, bedre teknologier - kunne accelerere med en størrelsesorden eller mere, han sagde.

Potentialet i undersøgelsens metode strækker sig endda ud over batteriverdenen, sagde Ermon. Andre problemer med test af store data, fra lægemiddeludvikling til optimering af ydeevnen af ​​røntgenstråler og lasere, kunne også revolutioneres ved brug af maskinlæringsoptimering. Og i sidste ende, han sagde, det kunne endda hjælpe med at optimere en af ​​de mest fundamentale processer af alle.

"Det større håb er at hjælpe selve den videnskabelige opdagelsesproces, " sagde Ermon. "Vi spørger:Kan vi designe disse metoder til automatisk at komme med hypoteser? Kan de hjælpe os med at udvinde viden, som mennesker ikke kunne? Efterhånden som vi får bedre og bedre algoritmer, Vi håber, at hele den videnskabelige opdagelsesproces kan fremskynde drastisk."