Představte si, že jasnovidec říká rodičům v den, kdy jste se narodili, jak dlouho budete žít.Podobná zkušenost je možná pro chemiky baterií, kteří používají nové výpočetní modely k výpočtu životnosti baterií na základě jediného cyklu experimentálních dat.

V nové studii se výzkumníci z Argonne National Laboratory amerického ministerstva energetiky (DOE) obrátili na sílu strojového učení, aby předpověděli životnost široké škály různých chemických vlastností baterií.Pomocí experimentálních dat shromážděných v Argonne ze sady 300 baterií reprezentujících šest různých chemických vlastností baterií mohou vědci přesně určit, jak dlouho budou různé baterie pokračovat v cyklu.

Výzkumníci z Argonne použili modely strojového učení k předpovědi životnosti baterie pro širokou škálu různých chemických látek.(Obrázek od Shutterstock/Sealstep.)

V algoritmu strojového učení vědci trénují počítačový program, aby vyvodil závěry z počáteční sady dat, a poté, co se naučil z tohoto školení, rozhodují o další sadě dat.

„Pro každý jiný druh aplikace baterií, od mobilních telefonů přes elektrická vozidla až po síťová úložiště, má pro každého spotřebitele zásadní význam životnost baterie,“ řekl výpočetní vědec z Argonne Noah Paulson, autor studie.„Tisíckrát cyklovat baterii, než selže, může trvat roky;naše metoda vytváří jakousi počítačovou testovací kuchyni, kde můžeme rychle zjistit, jak budou fungovat různé baterie.“

„Právě teď je jediným způsobem, jak vyhodnotit, jak se kapacita baterie vytrácí, skutečně cyklovat baterii,“ dodala elektrochemička z Argonne Susan „Sue“ Babinec, další autorka studie."Je to velmi drahé a trvá to dlouho."

Podle Paulsona může být proces stanovení životnosti baterie složitý.„Skutečnost je taková, že baterie nevydrží věčně a jak dlouho vydrží, závisí na způsobu, jakým je používáme, stejně jako na jejich designu a chemii,“ řekl.„Doposud opravdu neexistoval skvělý způsob, jak zjistit, jak dlouho baterie vydrží.Lidé budou chtít vědět, jak dlouho jim zbývá, než budou muset utratit peníze za novou baterii.“

Jedním z jedinečných aspektů studie je, že se opírala o rozsáhlou experimentální práci provedenou v Argonne na různých materiálech katodových baterií, zejména na katodě na bázi nikl-mangan-kobaltu (NMC) patentované společnosti Argonne."Měli jsme baterie, které reprezentovaly různé chemie, které mají různé způsoby, jak se degradovat a selhat," řekl Paulson."Hodnota této studie je v tom, že nám poskytla signály, které jsou charakteristické pro výkon různých baterií."

Další studie v této oblasti má potenciál řídit budoucnost lithium-iontových baterií, řekl Paulson."Jednou z věcí, které jsme schopni udělat, je trénovat algoritmus na známé chemii a nechat ho předpovídat na neznámé chemii," řekl."Algoritmus nám v zásadě může pomoci nasměrovat směr nových a vylepšených chemických látek, které nabízejí delší životnost."

Tímto způsobem Paulson věří, že algoritmus strojového učení by mohl urychlit vývoj a testování materiálů baterií.„Řekněme, že máte nový materiál a několikrát ho projedete na kole.Můžete použít náš algoritmus k předpovědi jeho životnosti a poté se rozhodnout, zda chcete pokračovat v experimentálním cyklu nebo ne.“

„Pokud jste výzkumník v laboratoři, můžete objevit a otestovat mnohem více materiálů za kratší dobu, protože máte rychlejší způsob, jak je vyhodnotit,“ dodal Babinec.

Dokument založený na studii, „Funkce strojového učení umožnila včasnou předpověď životnosti baterie“ se objevilo 25. února v online vydání Journal of Power Sources.

Kromě Paulsona a Babince jsou dalšími autory článku Argonnův Joseph Kubal, Logan Ward, Saurabh Saxena a Wenquan Lu.

Studie byla financována z grantu Argonne Laboratory-Directed Research and Development (LDRD).