Predstavljajte si, da bi jasnovidec na dan vašega rojstva staršem povedal, koliko časa boste živeli. Podobna izkušnja je možna za kemike, ki se ukvarjajo z baterijami in uporabljajo nove računske modele za izračun življenjske dobe baterij na podlagi že enega samega cikla eksperimentalnih podatkov.

V novi študiji so raziskovalci v Nacionalnem laboratoriju Argonne pri ameriškem ministrstvu za energijo (DOE) uporabili moč strojnega učenja za napovedovanje življenjske dobe širokega nabora različnih kemijskih sestav baterij. Z uporabo eksperimentalnih podatkov, zbranih v Argonneju iz nabora 300 baterij, ki predstavljajo šest različnih kemijskih sestav baterij, lahko znanstveniki natančno določijo, kako dolgo se bodo različne baterije še naprej ciklično polnile.

Raziskovalci iz Argonneja so s pomočjo modelov strojnega učenja napovedali življenjsko dobo baterijskih ciklov za širok spekter različnih kemijskih spojin. (Slika: Shutterstock/Sealstep.)

V algoritmu strojnega učenja znanstveniki naučijo računalniški program sklepati na podlagi začetnega nabora podatkov, nato pa se na podlagi tega učenja odločitve odloči na podlagi drugega nabora podatkov.

»Za vsako vrsto uporabe baterij, od mobilnih telefonov do električnih vozil in shranjevanja v omrežju, je življenjska doba baterije temeljnega pomena za vsakega potrošnika,« je dejal Noah Paulson, računalniški znanstvenik iz Argonnea in avtor študije. »Tisočkratno praznjenje baterije, dokler se ne odpove, lahko traja leta; naša metoda ustvarja nekakšno računalniško testno kuhinjo, kjer lahko hitro ugotovimo, kako se bodo obnesle različne baterije.«

»Trenutno je edini način za oceno, kako se zmanjšuje kapaciteta baterije, dejansko cikliranje baterije,« je dodala elektrokemičarka iz Argonnea, Susan »Sue« Babinec, še ena avtorica študije. »To je zelo drago in traja dolgo.«

Po Paulsonovih besedah ​​je postopek določanja življenjske dobe baterije lahko zapleten. »Resničnost je, da baterije ne trajajo večno, njihova življenjska doba pa je odvisna od načina uporabe, pa tudi od njihove zasnove in kemijske sestave,« je dejal. »Do zdaj ni bilo dobrega načina, da bi vedeli, kako dolgo bo baterija zdržala. Ljudje bodo želeli vedeti, koliko časa jim je še ostalo, preden bodo morali porabiti denar za novo baterijo.«

Edinstven vidik študije je, da se je oprla na obsežno eksperimentalno delo, opravljeno v Argonneu na različnih materialih za katode baterij, zlasti na Argonnejevi patentirani katodi na osnovi niklja, mangana in kobalta (NMC). »Imeli smo baterije, ki so predstavljale različne kemijske sestave, ki imajo različne načine razgradnje in odpovedi,« je dejal Paulson. »Vrednost te študije je v tem, da nam je dala signale, ki so značilni za delovanje različnih baterij.«

Nadaljnje študije na tem področju imajo potencial, da usmerjajo prihodnost litij-ionskih baterij, je dejal Paulson. »Ena od stvari, ki jih lahko storimo, je, da algoritem naučimo na znani kemiji in ga pripravimo za napovedi na neznani kemiji,« je dejal. »V bistvu nam algoritem lahko pomaga usmeriti smer novih in izboljšanih kemij, ki ponujajo daljšo življenjsko dobo.«

Paulson meni, da bi algoritem strojnega učenja lahko na ta način pospešil razvoj in testiranje materialov za baterije. »Recimo, da imate nov material in ga nekajkrat ciklično preizkusite. Z našim algoritmom bi lahko napovedali njegovo življenjsko dobo in se nato odločili, ali želite nadaljevati z eksperimentalnim cikliranjem ali ne.«

»Če si raziskovalec v laboratoriju, lahko v krajšem času odkriješ in preizkusiš veliko več materialov, ker imaš hitrejši način za njihovo oceno,« je dodal Babinec.

Članek, ki temelji na študiji, »Inženiring funkcij za strojno učenje je omogočil zgodnje napovedovanje življenjske dobe baterije,« je bilo objavljeno v spletni izdaji revije Journal of Power Sources 25. februarja.

Poleg Paulsona in Babineca so med avtorji članka še Joseph Kubal iz Argonneja, Logan Ward, Saurabh Saxena in Wenquan Lu.

Študijo je financirala nepovratna sredstva za raziskave in razvoj, usmerjene v laboratorij Argonne (LDRD).