El rendimiento de la batería puede hacer o deshacer la experiencia del vehículo eléctrico, desde el campo de conducción hasta el tiempo de carga y la vida útil del automóvil. Ahora, la inteligencia artificial ha hecho que los sueños como recargar un vehículo eléctrico en el tiempo que se tarda en detenerse en una gasolinera sean másprobable realidad y podría ayudar a mejorar otros aspectos de la tecnología de la batería.
Durante décadas, los avances en las baterías de vehículos eléctricos se han visto limitados por un cuello de botella importante: los tiempos de evaluación. En cada etapa del proceso de desarrollo de la batería, las nuevas tecnologías deben probarse durante meses o incluso años para determinar cuánto tiempo durarán. Pero ahora, un equipo dirigido por los profesores de Stanford Stefano Ermon y William Chueh ha desarrollado un método basado en el aprendizaje automático que reduce estos tiempos de prueba en un 98 por ciento. Aunque el grupo probó su método en la velocidad de carga de la batería, dijeron que se puede aplicar a muchas otras partesde la tubería de desarrollo de baterías e incluso a tecnologías no energéticas.
"En las pruebas de batería, tienes que probar una gran cantidad de cosas, porque el rendimiento que obtienes variará drásticamente", dijo Ermon, profesor asistente de ciencias de la computación. "Con IA, podemos identificar rápidamenteenfoques prometedores y eliminar muchos experimentos innecesarios ".
El estudio, publicado por Naturaleza el 19 de febrero, fue parte de una colaboración más amplia entre científicos de Stanford, MIT y el Toyota Research Institute que une la investigación académica fundamental y las aplicaciones de la industria del mundo real. El objetivo: encontrar el mejor método para cargar una batería de EV en 10minutos que maximizan la vida útil total de la batería. Los investigadores escribieron un programa que, basado en solo unos pocos ciclos de carga, predijo cómo responderían las baterías a diferentes enfoques de carga. El software también decidió en tiempo real en qué enfoques de carga enfocarse o ignorar.reduciendo tanto la duración como el número de ensayos, los investigadores redujeron el proceso de prueba de casi dos años a 16 días.
"Descubrimos cómo acelerar enormemente el proceso de prueba para una carga extremadamente rápida", dijo Peter Attia, quien codirigió el estudio cuando era un estudiante de posgrado. Lo que es realmente emocionante, sin embargo, es el método. Podemos aplicareste enfoque para muchos otros problemas que, en este momento, están frenando el desarrollo de la batería durante meses o años ".
Un enfoque más inteligente para la prueba de baterías
Diseñar baterías de carga ultrarrápida es un gran desafío, principalmente porque es difícil hacerlas durar. La intensidad de la carga más rápida ejerce una mayor presión sobre la batería, lo que a menudo hace que falle antes de tiempo. Para evitar este daño enla batería, un componente que representa una gran parte del costo total de un automóvil eléctrico, los ingenieros de baterías deben probar una serie exhaustiva de métodos de carga para encontrar los que funcionan mejor.
La nueva investigación buscaba optimizar este proceso. Al principio, el equipo vio que la optimización de carga rápida equivalía a muchas pruebas de prueba y error, algo que es ineficiente para los humanos, pero el problema perfecto para una máquina.
"El aprendizaje automático es una prueba y error, pero de una manera más inteligente", dijo Aditya Grover, un estudiante graduado en ciencias de la computación que codirigió el estudio. "Las computadoras son mucho mejores que nosotros para descubrir cuándo explorar:- pruebe enfoques nuevos y diferentes, y cuándo explotar, o concentrarse, en los más prometedores ".
El equipo usó este poder para su ventaja de dos maneras clave. Primero, lo usó para reducir el tiempo por experimento de ciclismo. En un estudio anterior, los investigadores encontraron que en lugar de cargar y recargar cada batería hasta que fallaba, elforma habitual de probar la vida útil de una batería: podrían predecir cuánto duraría una batería después de solo sus primeros 100 ciclos de carga. Esto se debe a que el sistema de aprendizaje automático, después de haber sido entrenado con algunas baterías que fallaron, podría encontrar patrones en las primerasdatos que presagiaban cuánto duraría una batería.
En segundo lugar, el aprendizaje automático redujo la cantidad de métodos que tenían que probar. En lugar de probar todos los métodos de carga posibles por igual, o confiar en la intuición, la computadora aprendió de sus experiencias para encontrar rápidamente los mejores protocolos para probar.
Al probar menos métodos para menos ciclos, los autores del estudio encontraron rápidamente un protocolo de carga ultrarrápida óptimo para su batería. Además de acelerar drásticamente el proceso de prueba, la solución de la computadora también fue mejor, y mucho más inusual,- de lo que probablemente habría ideado un científico de baterías, dijo Ermon.
"Nos dio este protocolo de carga sorprendentemente simple, algo que no esperábamos", dijo Ermon. En lugar de cargar a la corriente más alta al comienzo de la carga, la solución del algoritmo usa la corriente más alta en el medio de la carga."Esa es la diferencia entre un humano y una máquina: la máquina no está influenciada por la intuición humana, que es poderosa pero a veces engañosa".
aplicaciones más amplias
Los investigadores dijeron que su enfoque podría acelerar casi todas las partes del proceso de desarrollo de la batería: desde diseñar la química de una batería hasta determinar su tamaño y forma, hasta encontrar mejores sistemas de fabricación y almacenamiento. Esto tendría amplias implicaciones no solo para losvehículos, sino para otros tipos de almacenamiento de energía, un requisito clave para realizar el cambio a la energía eólica y solar a escala mundial.
"Esta es una nueva forma de hacer el desarrollo de baterías", dijo Patrick Herring, coautor del estudio y científico del Instituto de Investigación de Toyota. "Tener datos que puede compartir entre una gran cantidad de personas en el mundo académico y la industria, y que se analiza automáticamente, permite una innovación mucho más rápida ".
El sistema de recopilación de datos y aprendizaje automático del estudio estará disponible para que los futuros científicos de baterías lo utilicen libremente, agregó Herring. Al usar este sistema para optimizar otras partes del proceso con aprendizaje automático, desarrollo de baterías y la llegada de nuevos,mejores tecnologías: podrían acelerarse en un orden de magnitud o más, dijo.
El potencial del método del estudio se extiende incluso más allá del mundo de las baterías, dijo Ermon. Otros problemas de pruebas de big data, desde el desarrollo de fármacos hasta la optimización del rendimiento de rayos X y láseres, también podrían revolucionarse con el uso de la optimización del aprendizaje automáticoY, en última instancia, dijo, incluso podría ayudar a optimizar uno de los procesos más fundamentales de todos.
"La mayor esperanza es ayudar al proceso de descubrimiento científico en sí mismo", dijo Ermon. "Estamos preguntando: ¿Podemos diseñar estos métodos para generar hipótesis automáticamente? ¿Pueden ayudarnos a extraer conocimientos que los humanos no podrían?obtenemos cada vez mejores algoritmos, esperamos que todo el proceso de descubrimiento científico se acelere drásticamente ".
Otros coautores de Stanford incluyen a Norman Jin, Yang-Hung Liao, Michael H. Chen, Bryan Cheong, Nicholas Perkins, Zi Yang, Stephen Harris y Todor M. Markov. Otros coautores son del MIT y del Toyota Research Institute.
Este trabajo fue apoyado por Stanford, el Toyota Research Institute, la National Science Foundation, el Departamento de Energía de EE. UU. Y Microsoft.
Fuente de la historia :
Materiales proporcionado por Universidad de Stanford . Original escrito por Matthew Vollrath. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :