روند بهبود باتریها به دلیل کندی فرآیند آزمایش باتریها همیشه با مشکل روبرو بوده است. یادگیری ماشین امروز به این روند سرعت بخشیده است.
فرآیند آزمایش باتریها
در داخل یک آزمایشگاه در انستیتوی انرژی Precourt دانشگاه استنفورد، دوازده کابینت به اندازه یخچال وجود دارد که برای مصرف باتریها با بیشترین سرعت ممکن طراحی شده اند.
هر یک از آنها حدود 100 سلول لیتیوم-یونی را در سینیهای ذخیره شده دارند که میتوانند باتریها را دهها بار در روز شارژ و تخلیه کنند. به طور معمول، باتریهایی که در داخل این اتاقکهای الکتروشیمیایی قرار میگیرند، در داخل وسایل یا ابزارهای الکتریکی استفاده میشوند.
اما وقتی آنها را در دستگاههای هولکینگ قرار می دهند، به هیچ وجه نیرویی دریافت نمیکنند. در عوض، انرژی در سریعترین زمان ممکن به داخل و خارج از این سلولها جریان مییابد تا دادههای عملکردی را ایجاد کند که به هوش مصنوعی نحوه ساخت باتری بهتر را آموزش می دهد.
ورود هوش مصنوعی به آزمایش باتریها
در سال 2019، تیمی از محققان استنفورد، MIT و موسسه تحقیقات تویوتا از هوش مصنوعی آموزش دیده بر روی داده های تولید شده از این دستگاه ها برای پیش بینی عملکرد باتریهای یون لیتیوم در طول عمر سلولها قبل از شروع لغزش عملکرد آنها، استفاده کردند.
به طور معمول، هوش مصنوعی برای پیشبینی عملکرد در آینده به دادههایی از بعد از شروع تخریب باتری نیاز دارد. ممکن است ماهها طول بکشد تا به باتری بار کافی داده شود.
اما محققان هوش مصنوعی می توانند عملکرد طول عمر را تنها پس از چند ساعت جمع آوری اطلاعات پیشبینی کنند، در حالی که باتری هنوز در اوج خود است. ویلیام چوئه، دانشمند مواد در استنفورد، میگوید: “قبل از کار ما، هیچ کس فکر نمیکرد که این قابلیت وجود دارد.” و در اوایل سال جاری، چوه و همکارانش این کار را دوباره انجام دادند.
شارژ سریع باتری
در مقاله ای که در ماه فوریه در Nature منتشر شد، Chueh و همكارانش آزمایشی را توصیف كردند كه در آن هوش مصنوعی توانست روش بهینه را برای 10 دقیقه شارژ سریع یك باتری لیتیوم_یون پیدا كند. بسیاری از کارشناسان فکر می کنند که باتریهای شارژ سریع برای پذیرش خودروهای برقی توسط عموم مردم بسیار مهم است. اما باید توجه داشت که سرعت تخلیه شارژ این باتریها نیز در عملکرد این خودروها سهم دارد.
خروج باتریهای شارژ سریع از آزمایشگاه و ورود آنها به دنیای واقعی به معنای یافتن نقطه بین سرعت شارژ و طول عمر باتری است. مسئله این است که بی نهایت روش موثر برای شارژدهی به باتری وجود دارد. این روشها در آزمایشگاه با یکدیگر مقایسه شدند. غربالگری آزمایشی همه این روشها برای یافتن بهترین متد شارژ، یک کار کند و طاقت فرساست اما در اینجاست که هوش مصنوعی به کمک شما میآید.
تاثیر هوش مصنوعی در روند آزمایش
در تحقیقات، Chueh و همکارانش در کمتر از یک ماه موفق به بهینه سازی پروتکل شارژ سریع باتری یون لیتیوم شدند. دستیابی به همین نتایج بدون کمک هوش مصنوعی تقریبا حدود دو سال طول می کشید.
Chueh می گوید: “با کمک هوش مصنوعی، در پایان روز ، سرعت در روند تحقیق و توسعه باتری بودیم. هم کشف شیمیایی جدید و هم یافتن بهترین راه برای ایمن تر کردن باتری، هر دو کارهای زمان بری بودند”.
طی حدود یک دهه گذشته ، عملکرد باتریها رشد چشمگیری داشته است. هزینه آنها به شدت کاهش یافته است. برای محققانی مانند Chueh ، سرعت نوآوری در باتری به اندازه کافی سریع اتفاق نیفتاد. دلیل آن ساده است: باتریها بسیار پیچیده هستند.
ساخت باتری بهتر به معنای بهینه سازی بی رحمانه در هر مرحله از فرآیند تولید است. همه چیز در مورد استفاده از مواد اولیه ارزان تر ، شیمی بهتر ، تکنیکهای کارآمد تولید است.
اما پارامترهای زیادی وجود دارد که می توانند بهینه شوند. غالباً بهبود در یک زمینه – مثلاً تراکم انرژی – به ازای افزایش سود در منطقه دیگر مانند نرخ شارژ هزینههایی در بر دارد.
یافتن راه حل های بهینه در یک فضای جستجوی عظیم دقیقاً نوع مسئله ای است که AI برای حل آن ساخته است.
اما تا همین اواخر ، هوش مصنوعی در ساخت باتری به دلیل کمبود اطلاعات با مشکل روبرو بود.
کاستی اطلاعات
Bruis van Vlijmen ، دانشمندی که در زمینه تجزیه و تحلیل باتری در استنفورد کار می کند، می گوید: “از گذشته تا کنون، دستیابی به اطلاعات ساخت باتری بسیار دشوار بود، زیرا محققان و شرکتها این اطلاعات را به اشتراک نمیگذاشتند”.
“سطح بالایی از رازداری یا اطلاعات اختصاصی وجود دارد”.
Chueh و همکارانش به دنبال مقاله 2019 خود ، تمام دادههای مربوط به باتری خود را در دسترس عموم قرار دادند تا توسط محققان دیگر برای آموزش الگوریتمهای هوش مصنوعی مورد استفاده قرار گیرد. در آن زمان، این بزرگترین مجموعه دادههای عملکرد باتری بود که تاکنون منتشر شده بود.
از نظر ایان فاستر ، مدیر بخش علوم داده و یادگیری در آزمایشگاه ملی آرگون، کمبود دادههای با کیفیت یک مسئله دیرینه است. طی چند سال گذشته، فاستر و همکارانش در آزمایشگاه در حال ساخت یک بانک اطلاعاتی از عناصر قابل استفاده توسط الگوریتم یادگیری ماشین برای شکار مواد شیمیایی بودند که ممکن بود منجر به بهبود عملکرد در الکترولیت باتری شود. ماده ای که بین دو قسمت قرار دارد.
الکترودها مانند سایر عناصر موجود در یک باتری، می توانند مواد شیمیایی الکترولیت را تغییر دهند تا خصوصیات مطلوبی مانند چگالی انرژی را افزایش دهند یا، موارد نامطلوب مانند سمیت آن را کاهش دهند.
فاستر می گوید: “از گذشته تا کنون، شناسایی مواد جدید الكترولیت یك روند آزمایش و خطا بوده است”. “هدف ما استفاده از روشهای هوش مصنوعی برای کاوش در فضای بی نهایت مواد ممکن است.”
کاربرد یادگیری ماشین
در اواخر سال 2019 ، تیم آرگون مقاله ای منتشر کرد که در آن چگونگی استفاده از پایگاه داده موجود 133000 مولکول آلی و ابر رایانه آزمایشگاه برای ایجاد شبیه سازی فوق العاده دقیق از خصوصیات این مولکول ها تا مولکولهای”سنگین” یا غیر هیدروژنی” را در بر داشت.
ایده آنها استفاده از این پایگاه داده برای آموزش الگوریتم یادگیری ماشین برای یافتن مولکولهایی با خواص مطلوب در یک مجموعه داده نسبتاً کوچک بود تا بتوانند یک پایگاه داده بسیار بزرگتر از مواد بالقوه را کشف کنند.
ممکن است مولکولهای موجود در اکثر الکترولیتهای باتری 20 اتم سنگین داشته باشند. روشهای زیادی برای ترکیب این اتمها وجود دارد.
به عنوان مثال، پایگاه داده دیگری از مولکولهای آلی که حداکثر 17 اتم سنگین دارند از 166 میلیارد نمونه تشکیل شده است. این یک فضای بی دلیل بزرگ برای یک هوش مصنوعی برای جستجوی نمونههای امیدوار کننده است بدون اینکه ایده خوبی از آنچه که دنبال آن است داشته باشند.
فاستر می گوید هنوز الگوریتم جستجوی الکترولیت آرگون در مراحل ابتدایی خود است. هنوز مواد جدیدی شناسایی نشده است. اما مرحله بعدی ایجاد سلول فیزیکی با استفاده از آن ماده الکترولیت برای آزمایش است.
سپس دادههای حاصل از این آزمایشات میتواند برای تصحیح بیشتر الگوریتم و کمک به جستجو در نمونههای بهتر استفاده شود.
فاستر می گوید: “فرآیند یافتن الکترولیت مناسب و رفتن از تعداد زیادی الکترولیت به استفاده از یک الکترولیت برای باتریهای اتومبیل حقیقتا طولانی است”. “هدف از یادگیری ماشین سرعت بخشیدن به روند آزمایش است”.
حفظ اطلاعات
تیم فاستر با دانشمندان در عرصه ساخت باتری در ده موسسه تحقیقاتی و شرکت برای تسهیل به اشتراک گذاشتن آمار در سازمانها همکاری کردند.
این گروه امیدوار است تا از بستر توسعه یافته در دانشگاه شیکاگو به نام Data Station استفاده کند. این بستر به محققان این امکان را میدهد مدلهای یادگیری ماشین را روی مجموعه اطلاعاتی که گروههای مختلف به آنها کمک می کنند، آموزش دهند. بدون اینکه دسترسی خارجی مستقیمی به داده هایشان وجود داشته باشد.
یک مدل یادگیری ماشین در پلت فرم بارگذاری می شود. روی داده ها آموزش می بیند. سپس خروجی به محققان ارائه میدهد.
آن دانشمندان از مشخصات داده ها اطلاع ندارند، اما می توانند تشخیص دهند که آیا قرار گرفتن در معرض این داده ها باعث بهبود توانایی مدل در پیش بینی باتری ها می شود یا خیر.
فاستر و همكارانش امیدوارند كه این امر باعث كاهش ترس مردم در مورد از دست دادن دادههای اختصاصی به رقبا شود و در عین حال اجازه ایجاد مجموعه های گسترده داده را بدهند.
دیگر کاربردهای هوش مصنوعی و یادگیری ماشین
اما حتی بدون وجود پایگاه های داده عظیم مشترک ، استفاده از هوش مصنوعی در توسعه باتری در حال رونق است. همانطور که در مقالهای در Frontiers in Energy Research منتشر شده است، در سال گذشته هوش مصنوعی برای تعداد چشمگیری از برنامهها در تحقیقات بر باتری استفاده شده است.
در سمت مواد، برای مطالعه مولکول هایی استفاده شده است که می توانند آندهای فلزی لیتیوم را تثبیت کنند، که می تواند چگالی انرژی را به شدت افزایش دهد اما در حال حاضر با نگرانی های زیادی در زمینه ایمنی روبرو است.
از یادگیری ماشین نیز برای کشف پوششهای احتمالی کاتد برای بهبود عملکرد باتری های دارای الکترولیت جامد استفاده شده است. که از ایمنی بیشتری نسبت به الکترولیتهای مایع موجود در باتری ها برخوردار است.
همچنین از هوش مصنوعی برای بهینه سازی درک محققان از باتری های موجود با بهینه سازی سیستمهای مدیریت باتری و ایجاد مدلهای ریاضی دقیق باتریها برای شبیه سازی عملکرد آنها در خودروهای الکترونیکی استفاده شده است.
پژوهشگران هوش مصنوعی حتی کتابی نوشتند که خلاصه تحقیقات فعلی در مورد باتری های لیتیوم یون است.
آلفا لی ، فیزیکدان آماری از دانشگاه کمبریج، که در تحقیقات اخیر خود از یادگیری ماشین برای پیدا کردن استفاده کرده است، می گوید: “پتانسیل استفاده نشده زیادی در مواد باتری موجود وجود دارد که می توانیم آنها را با استفاده از نرم افزار بهتر برای” برنامه ریزی “باتری استفاده کنیم”.
” پیش بینیهای جدید سلامتی باتری از نوآوری در نرم افزار باتری با درجه مقیاس پذیری که در انقلاب دیجیتال دیدیم و دوره جدیدی از فناوری های ذخیره انرژی را آغاز می کند، بهره مند خواهد شد.”
گام بعدی این است که این روشهای یادگیری ماشین را از آزمایشگاه خارج کرده و از آنها برای ساخت باتریهایی استفاده کنید که گجت ها و اتومبیلهای ما را تأمین می کنند.
InoBat، یک شرکت مستقر در اسلواکی که در سال 2018 تاسیس شده است، پیشگام این عرصه است.
این شرکت با استفاده از یک پلت فرم تحقیقاتی مجهز به هوش مصنوعی که توسط شرکت Wildcat Discovery Technologies مستقر در کالیفرنیا ساخته شده است، به سرعت نمونههای اولیه شیمی جدید باتری را برای ساخت سلولهای سفارشی برای وسایل نقلیه الکتریکی تولید می کند.
به گفته مدیر عامل شرکت InoBat ، ماریان بوکک، پلتفرم هوش مصنوعی اجازه می دهد تا یک تحقیق جامع در مورد شیمی جدید لیتیوم یون انجام شود، که این امکان را دارد که روند کشف را به سرعت افزایش دهد.
به عبارت دیگر، هوش مصنوعی می تواند زمانی که چندین متغیر مختلف به طور همزمان اصلاح شده اند، عملکرد یک باتری را شبیه سازی کند. به جای اینکه هر بار یک جز باتری را دستکاری کنید و به طور کامل همه تکرارها را آزمایش کند.
Bocek ، كه تحقیق با سوخت هوش مصنوعی InoBat را با استفاده از كشف خودكار دارو در صنعت داروسازی مقایسه می كند، می گوید: “راه كشف شیمی سلولی جدید 10 برابر سریعتر از آزمایشگاه سنتی است. ما در حال دور شدن از مدل” یک اندازه متناسب با همه “هستیم که بر صنعت EV مسلط است.”
InoBat هفته گذشته از اولین “باتری هوشمند” خود که با هوش مصنوعی طراحی شده است، رونمایی کرد. در طی این اعلامیه ، Bocek ادعا کرد که باتری می تواند دامنه “بهترین” گزینه در کلاس EV را تقریبا 20 درصد افزایش دهد.
اما به این زودی ها انتظار نداشته باشید که آن را در بسته باتری متوسط EV پیدا کنید. برخلاف تولید کنندگان بزرگ سلولهای یون لیتیوم، مانند پاناسونیک یا سامسونگ، InoBat بیشتر یک بوتیک باتری است.
این شرکت بر روی وسایل نقلیه تخصصی مانند ماشینهای الکتریکی با عملکرد بالا یا هواپیماهای الکتریکی متمرکز است و می تواند برای تولید سلولهایی که نیازهای خاص مشتری را برآورده می کنند، تولید کم حجم را انجام دهد.
Bocek می گوید: “ما تنها بازیكنی در این بازار هستیم كه توانایی ایجاد یك راه حل سفارشی را از نظر قالب سلول و چگالی انرژی داریم”.
Bocek میگوید اولین کارخانه آزمایشی این شرکت تا پایان سال آینده شروع به کار در عرصه باتری می کند.
در ابتدا این کارخانه سالانه فقط 100 مگاوات ساعت باتری با طراحی AI تولید میکرد. این تقریباً نیمی از 1 درصد از حجم تولید Tesla’s Gigafactory در نوادا است.
Bocek میگوید که این شرکت قصد دارد در مدت 5 سال تولید خود را تا 10 گیگاوات ساعت برساند.
سخن آخر
استفاده از هوش مصنوعی در مورد توسعه باتری خبر خوبی برای یک جهان رو به رشد است. ذخیره باتری یک عامل کلیدی در افزایش میزان انرژی تجدیدپذیر در شبکه است، و وقتی صحبت از کربن زدایی منبع تغذیه ما می شود، زمان عنصر مهمی است.