science >> Wetenschap >  >> Elektronica

Nieuwe methode voor machinaal leren kan de ontwikkeling van batterijen voor elektrische voertuigen een boost geven

Met behulp van machinaal leren, een door Stanford geleid onderzoeksteam heeft de testtijden voor batterijen verkort - een belangrijke barrière voor een langere levensduur, sneller opladen van batterijen voor elektrische voertuigen. Krediet:Cube3D

Batterijprestaties kunnen de ervaring van elektrische voertuigen maken of breken, van rijbereik tot oplaadtijd tot de levensduur van de auto. Nutsvoorzieningen, kunstmatige intelligentie heeft dromen als het opladen van een elektrische auto in de tijd die nodig is om te stoppen bij een tankstation, waarschijnlijker gemaakt, en zou kunnen helpen bij het verbeteren van andere aspecten van batterijtechnologie.

Al decenia, de vooruitgang op het gebied van batterijen voor elektrische voertuigen werd beperkt door een belangrijk knelpunt:evaluatietijden. In elke fase van het batterijontwikkelingsproces nieuwe technologieën moeten maanden of zelfs jaren worden getest om te bepalen hoe lang ze meegaan. Maar nu, een team onder leiding van Stanford-professoren Stefano Ermon en William Chueh heeft een op machine learning gebaseerde methode ontwikkeld die deze testtijden met 98 procent verkort. Hoewel de groep hun methode testte op de laadsnelheid van de batterij, ze zeiden dat het kan worden toegepast op tal van andere delen van de pijplijn voor batterijontwikkeling en zelfs op niet-energetische technologieën.

"Bij het testen van batterijen je moet een enorm aantal dingen proberen, omdat de prestaties die u krijgt drastisch zullen variëren, " zei Ermon, een assistent-professor in de informatica. "Met AI, we zijn in staat om snel de meest veelbelovende benaderingen te identificeren en veel onnodige experimenten uit te sluiten."

De studie, gepubliceerd door Natuur op 19 februari maakte deel uit van een grotere samenwerking tussen wetenschappers van Stanford, MIT en het Toyota Research Institute dat fundamenteel academisch onderzoek en praktijkgerichte industriële toepassingen overbrugt. Het doel:het vinden van de beste methode om een ​​EV-batterij in 10 minuten op te laden die de totale levensduur van de batterij maximaliseert. De onderzoekers schreven een programma dat, gebaseerd op slechts enkele laadcycli, voorspelde hoe batterijen zouden reageren op verschillende oplaadmethoden. De software besliste ook in realtime op welke oplaadbenaderingen ze moesten focussen of negeren. Door zowel de lengte als het aantal proeven te verminderen, de onderzoekers verkortten het testproces van bijna twee jaar naar 16 dagen.

"We hebben ontdekt hoe we het testproces voor extreem snel opladen enorm kunnen versnellen, " zei Peter Attia, die de studie mede leidde terwijl hij een afgestudeerde student was. "Wat echt spannend is, Hoewel, is de methode. We kunnen deze benadering toepassen op vele andere problemen die, direct, houden de ontwikkeling van de batterij maanden of jaren tegen."

Een slimmere benadering van batterijtesten

Het ontwerpen van ultrasnel opladende batterijen is een grote uitdaging, vooral omdat het moeilijk is om ze lang mee te laten gaan. De intensiteit van de snellere lading legt een grotere druk op de batterij, waardoor het vaak vroegtijdig mislukt. Om deze schade aan het batterijpakket te voorkomen, een onderdeel dat verantwoordelijk is voor een groot deel van de totale kosten van een elektrische auto, batterijtechnici moeten een uitgebreide reeks oplaadmethoden testen om degene te vinden die het beste werkt.

Het nieuwe onderzoek probeerde dit proces te optimaliseren. Aanvankelijk, het team zag dat optimalisatie van snelladen neerkwam op veel testen met vallen en opstaan ​​- iets dat inefficiënt is voor mensen, maar het perfecte probleem voor een machine.

"Machine learning is vallen en opstaan, maar op een slimmere manier, " zei Aditya Grover, een afgestudeerde student informatica die de studie mede leidde. "Computers zijn veel beter dan wij in het uitzoeken wanneer ze moeten verkennen - nieuwe en andere benaderingen proberen - en wanneer ze moeten exploiteren, of nul in, op de meest veelbelovende."

Het team gebruikte deze kracht op twee belangrijke manieren in hun voordeel. Eerst, ze gebruikten het om de tijd per fietsexperiment te verminderen. In een eerdere studie, de onderzoekers ontdekten dat in plaats van elke batterij op te laden en op te laden totdat deze defect raakte - de gebruikelijke manier om de levensduur van een batterij te testen - ze konden voorspellen hoe lang een batterij mee zou gaan na slechts de eerste 100 oplaadcycli. Dit komt omdat het machine learning-systeem, na te zijn getraind op een paar batterijen die tot falen zijn gefietst, patronen konden vinden in de vroege gegevens die voorspelden hoe lang een batterij mee zou gaan.

Tweede, machine learning verminderde het aantal methoden dat ze moesten testen. In plaats van elke mogelijke laadmethode gelijk te testen, of vertrouwen op intuïtie, de computer leerde van zijn ervaringen om snel de beste protocollen te vinden om te testen.

Door minder methoden te testen voor minder cycli, de auteurs van het onderzoek vonden snel een optimaal ultrasnel oplaadprotocol voor hun batterij. Naast het drastisch versnellen van het testproces, de oplossing van de computer was ook beter - en veel ongebruikelijker - dan wat een batterijwetenschapper waarschijnlijk zou hebben bedacht, zei Ermon.

"Het gaf ons dit verrassend eenvoudige oplaadprotocol - iets wat we niet hadden verwacht, " Zei Ermon. In plaats van aan het begin van de lading op de hoogste stroom te laden, de oplossing van het algoritme gebruikt de hoogste stroom in het midden van de lading. "Dat is het verschil tussen een mens en een machine:de machine is niet bevooroordeeld door menselijke intuïtie, dat is krachtig, maar soms misleidend."

Bredere toepassingen

De onderzoekers zeiden dat hun aanpak bijna elk onderdeel van de batterijontwikkelingspijplijn zou kunnen versnellen:van het ontwerpen van de chemie van een batterij tot het bepalen van de grootte en vorm, om betere systemen voor productie en opslag te vinden. Dit zou grote gevolgen hebben, niet alleen voor elektrische voertuigen, maar ook voor andere vormen van energieopslag, een belangrijke vereiste om wereldwijd de overstap naar wind- en zonne-energie te maken.

"Dit is een nieuwe manier om batterijen te ontwikkelen, " zei Patrick Haring, co-auteur van de studie en een wetenschapper aan het Toyota Research Institute. "Dat je gegevens hebt die je kunt delen met een groot aantal mensen in de academische wereld en het bedrijfsleven, en dat wordt automatisch geanalyseerd, maakt veel snellere innovatie mogelijk."

Het machine learning- en gegevensverzamelingssysteem van de studie zal beschikbaar worden gesteld voor toekomstige batterijwetenschappers om vrij te gebruiken, Haring toegevoegd. Door dit systeem te gebruiken om andere delen van het proces te optimaliseren met machine learning, batterijontwikkeling en de komst van nieuwere, betere technologieën - zouden kunnen versnellen met een orde van grootte of meer, hij zei.

Het potentieel van de onderzoeksmethode reikt zelfs verder dan de wereld van batterijen, zei Ermon. Andere problemen met het testen van big data, van medicijnontwikkeling tot het optimaliseren van de prestaties van röntgenstralen en lasers, kan ook een revolutie teweegbrengen door het gebruik van machine learning-optimalisatie. En uiteindelijk, hij zei, het zou zelfs kunnen helpen om een ​​van de meest fundamentele processen van allemaal te optimaliseren.

"De grotere hoop is om het proces van wetenschappelijke ontdekking zelf te helpen, "Zei Ermon. "We vragen:kunnen we deze methoden zo ontwerpen dat ze automatisch met hypothesen komen? Kunnen ze ons helpen kennis te vergaren die mensen niet konden? Naarmate we betere en betere algoritmen krijgen, we hopen dat het hele wetenschappelijke ontdekkingsproces drastisch kan versnellen."