Toyota opracowała metodę projektowania baterii, która skraca czas ich testowania z wielu miesięcy do kilku dni.

Samochód elektryczny ładowany w 10 minut? To ideał, który staje się coraz bardziej realny – dzięki sztucznej inteligencji. Toyota opracowała nową metodę projektowania baterii, która skraca czas ich testowania z wielu miesięcy do kilku dni. W ten sposób znalezienie idealnej konstrukcji baterii nastąpi znacznie szybciej. Oparty na algorytmie uczenia maszynowego program umożliwi opracowanie baterii nowej generacji oraz najlepszej procedury jej ładowania, dzięki której samochód będzie gotowy do dalszej jazdy szybciej, niż jego właściciel zrobi drobne zakupy.

Na każdym etapie opracowywania baterii nowe rozwiązania muszą zostać poddane testom, co zajmuje miesiące lub nawet lata. Naukowcy z Toyoty, Uniwersytetu Stanforda i Massachusetts Institute of Technology opracowali nową metodę opartą na sztucznej inteligencji i uczeniu maszynowym, które skraca ten czas o 98 proc. Zespół skupiający naukowców z trzech ośrodków stworzył algorytm uczenia maszynowego, który na podstawie kilku testowych cyklów ładowania baterii pozwala przewidzieć, jak dana bateria będzie reagować na różne sposoby ładowania oraz ocenić jej żywotność. Głównym celem projektu Toyoty i partnerów jest opracowanie optymalnej procedury ładowania baterii, która pozwoli naładować samochód elektryczny w 10 minut przy zachowaniu maksymalnej żywotności ogniw.  

Kiedy baterie są ładowane szybkimi ładowarkami, przyspiesza to ich zużycie i skraca żywotność. Dlatego na całym świecie trwają prace nad nowymi generacjami ogniw. Wąskim gardłem prac nad bateriami do samochodów elektrycznych jest długotrwałość testów. Etap przejściowy między opracowaniem technologii w laboratorium a jego wdrożeniem do komercyjnego użytku może trwać lata.

Jak w kilka dni sprawdzić, ile lat wytrzyma bateria?

Początkowo naukowcy skupili się na skróceniu czasu testowania baterii, a następnie przyspieszyli cały proces generowania procedur testowych i podejmowania decyzji, które z nich są przydatne i warte przeprowadzenia. Zamiast więc sprawdzać setki, tysiące, a czasem nawet miliony różnych kombinacji, zespół faktycznie realizuje tylko kilka z nich, a potem wykorzystuje algorytm uczenia maszynowego, by obliczyć, jakie byłyby wyniki pozostałych testów. Ta metoda jest uniwersalna i można ją zastosować w wielu innych dziedzinach, które wiążą się z czasochłonnymi eksperymentami.

„Najpierw napisaliśmy program, który na podstawie kilku cyklów ładowania ocenił przewidywaną długość życia baterii, a w kolejnym kroku opracowaliśmy algorytm obliczający, które procedury ładowania mamy przetestować” – powiedział Aditya Grover, jeden z uczestników projektu z Uniwersytetu Stanforda.

Między poszczególnymi prototypami baterii istnieją ogromne różnice w działaniu, dlatego zastosowanie do nich tradycyjnych metod optymalizacji to mozolny proces. Jednak odpowiednie algorytmy uczenia maszynowego, które zostały opracowane z myślą o problemach tego rodzaju, mogą to zadanie radykalnie ułatwić. Metoda ta pozwala zdefiniować nowatorskie procedury ładowania, z których istnienia nie zdawano sobie wcześniej sprawy. Okazało się, że dzięki nim ładowanie baterii może przebiegać znacznie szybciej i efektywniej. Dla przykładu, algorytm ustalił, że dostarczenie najwyższego natężenia prądu w środku procesu ładowania przekłada się na najdłuższą żywotność baterii.

Jak zbudować baterie ładowane w 10 minut?

Jednym z głównych powodów, dla których nie korzystano wcześniej z tej metody, jest fakt, że wymaga ona szerokiej współpracy specjalistów wielu dyscyplin, zarówno ze świata sztucznej inteligencji i uczenia maszynowego, jak i technologii baterii. Jest to jednak lepszy sposób na uprawianie nauki w dzisiejszych czasach, kiedy badania naukowe generują coraz więcej danych. Dzięki temu można opracowywać dane zbierane podczas eksperymentów naukowych znacznie bardziej wydajnie, a w konsekwencji lepiej zrozumieć zachodzące w testowanym urządzeniu procesy fizyczne.

Kolejnym etapem projektu Toyoty, Uniwersytetu Stanforda i MIT jest zastosowanie metody opartej na uczeniu maszynowym do jeszcze bardziej skomplikowanych problemów, takich jak masowa produkcja baterii, czy ich stosowanie w świecie rzeczywistym. Chodzi na przykład o uwzględnienie, kiedy baterie są ładowane przez użytkowników czy też jak długo są podłączone do ładowarki./oprac. ns/