Ученые разработали метод машинного обучения, который может значительно снизить затраты и энергию, необходимые для разработки новых литий-ионных батарей, от которых современный мир все больше зависит.
Прогнозирование срока службы батареи новой конструкции и ее инженерного применения является серьезным препятствием в отрасли. Грубое тестирование прототипов путем многократной зарядки и разрядки может занять месяцы или даже годы, потребляя большое количество электроэнергии с большими затратами.
По оценкам одного исследования, нынешние и будущие конструкции литиевых батарей могут потребовать 130 000 ГВтч энергии с 2023 по 2040 год, если в процесс разработки не будут внесены изменения. Это почти половина годовой электроэнергии, производимой в Калифорнии (278 338 ГВтч).
Исследование, опубликованное на этой неделе в научном журнале Nature, описывает новый подход к машинному обучению при разработке аккумуляторов, который, по утверждению авторов, может сэкономить 98 процентов времени и 95 процентов затрат по сравнению с традиционными методами.
«Это показывает большой потенциал для решения серьезного препятствия в разработке аккумуляторов», — сказал в статье Чао Ху, доцент Университета Коннектикута.
Процесс, разработанный научным сотрудником Мичиганского университета Цзявэй Чжаном и его командой, объединил итеративные элементы для сокращения объема данных, необходимых для получения точных прогнозов.
Так называемая Discovery Learning Framework основана на исследовании 2019 года, которое показало, что модель машинного обучения, использующая первые данные испытаний прототипа батареи, может использоваться для прогнозирования срока службы батареи со средней ошибкой менее 15 процентов на тестовом наборе, что считается очень точным.
Чжан и его коллеги разбили предыдущий метод на три отдельных элемента. Модуль обучения выбирает прототипы новых конструкций, которые с наибольшей вероятностью предоставят полезные данные для повышения точности прогнозирования. После первоначального тестирования этих прототипов модуль интерпретации использует модели свойств материалов для анализа этих данных, а также исторических данных о полном сроке службы существующих батарей. Наконец, модуль Oracle использует эти выходные данные для прогнозирования срока службы недавно протестированного прототипа. Важно отметить, что эта информация возвращается в модуль Learner для выбора следующего набора прототипов для физических испытаний.
«Ключевым нововведением модели обучения открытиям является то, что она обновляется, используя время жизни, оцененное Oracle, а не экспериментально измеренное время жизни, что позволяет избежать необходимости трудоемкого тестирования батареи на полный срок службы», — сказал Ху.
Однако он отмечает, что неясно, насколько хорошо будет работать система обучения открытию, когда конструкция новой батареи будет значительно отличаться от батарей, которые доступны для предоставления обучающих данных.
«В более широком смысле, прежде чем принять концепцию для общего использования, необходима дальнейшая проверка, чтобы увидеть, насколько хорошо она работает с батареями, используемыми в реальных условиях, например, при переменных температурах и при различных электрических нагрузках», — сказал Ху.
Тем не менее, учитывая текущую глобальную стоимость аккумуляторов для электромобилей, ноутбуков и других приложений, составляющую 120 миллиардов долларов США (и ожидается, что она вырастет почти до 500 миллиардов долларов в 2030 году), даже скромная экономия на затратах на разработку может изменить ситуацию. ®
