Un team di ricerca ha ridotto di quindici volte i tempi di test delle batterie
Le prestazioni della batteria possono rendere o rompere l’esperienza del veicolo elettrico, dall’autonomia di guida al tempo di ricarica fino alla vita dell’auto. Ora, l’intelligenza artificiale ha reso i sogni come la ricarica di un veicolo elettrico nel tempo necessario per fermarsi a una stazione di servizio una realtà più probabile, e potrebbe contribuire a migliorare altri aspetti della tecnologia delle batterie.
Per decenni, i progressi nelle batterie dei veicoli elettrici sono stati limitati da un grosso collo di bottiglia: i tempi di valutazione. In ogni fase del processo di sviluppo delle batterie, le nuove tecnologie devono essere testate per mesi o addirittura anni per determinare la loro durata. Ma ora, un team guidato dai professori di Stanford Stefano Ermon e William Chueh ha sviluppato un metodo basato sull’apprendimento automatico che riduce questi tempi di test del 98%. Sebbene il gruppo abbia testato il loro metodo sulla velocità di carica delle batterie, hanno detto che può essere applicato a numerose altre parti della pipeline di sviluppo delle batterie e anche a tecnologie non energetiche.
“Nei test sulle batterie, bisogna provare un numero enorme di cose, perché le prestazioni che si ottengono variano drasticamente”, ha detto Ermon, un assistente professore di informatica. “Con l’IA, siamo in grado di identificare rapidamente gli approcci più promettenti e di eliminare molti esperimenti inutili”.
Lo studio, pubblicato da Nature il 19 febbraio, fa parte di una più ampia collaborazione tra scienziati di Stanford, MIT e Toyota Research Institute che collega la ricerca accademica fondazionale e le applicazioni dell’industria del mondo reale. L’obiettivo: trovare il metodo migliore per caricare una batteria EV in 10 minuti che massimizzi la durata complessiva della batteria. I ricercatori hanno scritto un programma che, basandosi solo su pochi cicli di ricarica, ha previsto come le batterie avrebbero risposto ai diversi approcci di ricarica. Il software ha anche deciso in tempo reale su quali approcci di ricarica concentrarsi o ignorare. Riducendo sia la durata che il numero di prove, i ricercatori hanno ridotto il processo di prova da quasi due anni a 16 giorni.
“Abbiamo capito come accelerare notevolmente il processo di test per una ricarica estremamente veloce”, ha detto Peter Attia, che ha co-presieduto lo studio mentre era uno studente laureato. “Ciò che è davvero eccitante, però, è il metodo”. Possiamo applicare questo approccio a molti altri problemi che, al momento, stanno frenando lo sviluppo della batteria per mesi o anni”.
Video Youtube ↓ Ciò accade perché la funzionalità / i contenuti contrassegnati come “Google Youtube” utilizzano i cookie che hai scelto di mantenere disattivati. Per visualizzare questo contenuto o utilizzare questa funzionalità, si prega di abilitare i cookie: Cookie preferences
Un approccio più intelligente al test delle batterie
La progettazione di batterie a carica ultra rapida è una sfida importante, soprattutto perché è difficile farle durare. L’intensità della carica più veloce mette a dura prova la batteria, che spesso la fa guastare precocemente. Per prevenire questo danno al pacco batteria, un componente che rappresenta una grossa fetta del costo totale di un’auto elettrica, gli ingegneri delle batterie devono testare una serie esaustiva di metodi di ricarica per trovare quelli che funzionano meglio.
La nuova ricerca ha cercato di ottimizzare questo processo. All’inizio, il team ha visto che l’ottimizzazione della carica rapida equivaleva a molti test di prova e di errore, qualcosa che è inefficiente per gli esseri umani, ma il problema perfetto per una macchina.
“L’apprendimento delle macchine è un processo di prova e di errore, ma in modo più intelligente”, ha detto Aditya Grover, uno studente laureato in informatica che ha anche co-diretto lo studio. “I computer sono molto più bravi di noi a capire quando esplorare, provare nuovi e diversi approcci, e quando sfruttare, o azzerare, quelli più promettenti”.
La squadra ha usato questo potere a suo vantaggio in due modi chiave. In primo luogo, l’hanno usata per ridurre il tempo per ogni esperimento ciclistico. In uno studio precedente, i ricercatori hanno scoperto che invece di ricaricare e ricaricare ogni batteria fino al suo esaurimento, il solito modo di testare la durata di una batteria, potevano prevedere quanto tempo una batteria sarebbe durata dopo solo i primi 100 cicli di ricarica. Questo perché il sistema di apprendimento automatico, dopo essere stato addestrato su alcune batterie sottoposte a cicli fino al guasto, poteva trovare nei primi dati modelli che preannunciavano la durata di una batteria.
In secondo luogo, il machine learning ha ridotto il numero di metodi da testare. Invece di testare ogni possibile metodo di carica in egual misura, o di affidarsi all’intuizione, il computer ha imparato dalle sue esperienze per trovare rapidamente i migliori protocolli da testare.
Testando un minor numero di metodi per un minor numero di cicli, gli autori dello studio hanno rapidamente trovato un protocollo di ricarica ultra veloce ottimale per la loro batteria. Oltre ad accelerare drasticamente il processo di test, la soluzione del computer era anche migliore – e molto più insolita – di quella che uno scienziato delle batterie avrebbe probabilmente escogitato, ha detto Ermon.
“Ci ha dato questo protocollo di ricarica sorprendentemente semplice – qualcosa che non ci aspettavamo”, ha detto Ermon. “Questa è la differenza tra un essere umano e una macchina: La macchina non è influenzata dall’intuizione umana, che è potente ma a volte fuorviante”.
Applicazioni più ampie
I ricercatori hanno detto che il loro approccio potrebbe accelerare quasi ogni pezzo della pipeline di sviluppo delle batterie: dalla progettazione della chimica di una batteria alla determinazione delle sue dimensioni e della sua forma, alla ricerca di sistemi migliori per la produzione e lo stoccaggio. Questo avrebbe ampie implicazioni non solo per i veicoli elettrici ma anche per altri tipi di immagazzinamento dell’energia, un requisito fondamentale per passare all’energia eolica e solare su scala globale.
“Questo è un nuovo modo di fare sviluppo delle batterie”, ha detto Patrick Herring, coautore dello studio e scienziato del Toyota Research Institute. “Avere dati che si possono condividere tra un gran numero di persone nel mondo accademico e nell’industria, e che vengono analizzati automaticamente, permette un’innovazione molto più rapida”.
Il sistema di apprendimento automatico e di raccolta dati dello studio sarà messo a disposizione dei futuri scienziati delle batterie per poterlo utilizzare liberamente, ha aggiunto Herring. Utilizzando questo sistema per ottimizzare altre parti del processo con l’apprendimento automatico, lo sviluppo delle batterie, e l’arrivo di nuove e migliori tecnologie, potrebbe accelerare di un ordine di grandezza o più, ha detto.
Il potenziale del metodo dello studio si estende anche oltre il mondo delle batterie, ha detto Ermon. Altri grandi problemi di test dei dati, dallo sviluppo di farmaci all’ottimizzazione delle prestazioni dei raggi X e dei laser, potrebbero anche essere rivoluzionati dall’uso dell’ottimizzazione dell’apprendimento macchina. E alla fine, ha detto, potrebbe anche aiutare ad ottimizzare uno dei processi più fondamentali di tutti.
“La speranza più grande è quella di aiutare il processo della scoperta scientifica stessa”, ha detto Ermon. “Noi chiediamo: Possiamo progettare questi metodi per formulare automaticamente delle ipotesi? Possono aiutarci ad estrarre conoscenze che gli esseri umani non potrebbero? Man mano che otteniamo algoritmi sempre migliori, speriamo che l’intero processo di scoperta scientifica possa accelerare drasticamente”.
