AI στο σχεδιασμό και τη βελτιστοποίηση μπαταριών
Η τεχνητή νοημοσύνη επιταχύνει την ανακάλυψη νέων υλικών μπαταριών και τη διαχείριση των υπαρχόντων κυττάρων, συμπιέζοντας δεκαετίες χημείας δοκιμών και σφαλμάτων σε μήνες.
Επισκόπηση
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
Βαθιά κατάδυση
Η ανάπτυξη της μπαταρίας είναι βάναυσα αργή: μια μόνο συνταγή ηλεκτρολύτη μπορεί να πάρει χρόνια για να δοκιμαστεί και ο χώρος των πιθανών χημικών στοιχείων είναι αστρονομικά μεγάλος. Το AI επιτίθεται σε αυτό σε δύο κλίμακες. Στην ανακάλυψη υλικών, μοντέλα μηχανικής μάθησης που έχουν εκπαιδευτεί στην κβαντική χημεία και σε πειραματικά δεδομένα προβλέπουν ποιοι συνδυασμοί στοιχείων αποδίδουν υψηλή αγωγιμότητα, σταθερότητα και πυκνότητα ενέργειας πριν συντεθεί οτιδήποτε. Το 2023, το Microsoft και το Pacific Northwest National Laboratory εξέτασαν πάνω από 32 εκατομμύρια υποψήφιους για να βρουν έναν ηλεκτρολύτη στερεάς κατάστασης που χρησιμοποιεί πολύ λιγότερο λίθιο. Σε επίπεδο συσκευής, η τεχνητή νοημοσύνη τροφοδοτεί συστήματα διαχείρισης μπαταριών που εκτιμούν την κατάσταση φόρτισης και την κατάσταση της υγείας, προβλέπουν την υπολειπόμενη διάρκεια ζωής και ανιχνεύουν πρώιμα σημάδια θερμικής φυγής. Τα ρομποτικά εργαστήρια κλειστού βρόχου προσθέτουν αυτοματοποιημένο πειραματισμό, όπου η τεχνητή νοημοσύνη προτείνει το επόμενο πείραμα και ένα ρομπότ το εκτελεί.
Τεχνική διορατικότητα
Δύο τεχνικές κυριαρχούν. Τα νευρωνικά δίκτυα γραφημάτων αντιμετωπίζουν έναν κρύσταλλο ή ένα μόριο ως γράφημα ατόμων και δεσμών, μαθαίνοντας να προβλέπουν ιδιότητες όπως η ιοντική αγωγιμότητα μόνο από τη δομή. Στη συνέχεια, η Bayesian βελτιστοποίηση καθοδηγεί τα πειράματα: δημιουργεί ένα πιθανό υποκατάστατο του τοπίου χημείας έναντι απόδοσης και επιλέγει κάθε επόμενο τεστ για να μεγιστοποιήσει το αναμενόμενο κέρδος πληροφοριών, εξισορροπώντας την εξερεύνηση άγνωστων συνταγών με την εκμετάλλευση των πολλά υποσχόμενων, μέχρι στιγμής χρειάζονται λιγότερα φυσικά πειράματα.
Στρατηγικός αντίκτυπος
Δημιουργήστε επιλογές
Ο σχεδιασμός σε επίπεδο εφαρμογής καθορίζει εάν η τεχνητή νοημοσύνη βελτιώνει τα πραγματικά αποτελέσματα.
Ομάδα και ροή εργασίας
Η καλή ενσωμάτωση ροής εργασιών δημιουργεί κέρδη παραγωγικότητας που μπορούν να εμπιστευτούν οι χρήστες.
Κίνδυνος και ασφάλεια
Οι καλές περιπτώσεις χρήσης μειώνουν την κόπωση λόγω αλλαγής και τον κίνδυνο εφαρμογής.
Το μέλλον της τεχνητής νοημοσύνης στον σχεδιασμό και τη βελτιστοποίηση μπαταριών
Αναμένετε εργαστήρια αυτόνομης οδήγησης όπου η τεχνητή νοημοσύνη και η ρομποτική εκτελούν πειράματα όλο το εικοσιτετράωρο με ελάχιστη ανθρώπινη συνεισφορά, συρρικνώνοντας τους κύκλους ανακάλυψης από χρόνια σε εβδομάδες. Τα μοντέλα θεμελίωσης που έχουν εκπαιδευτεί σε εκατομμύρια υλικά θα πρέπει να γενικεύονται σε εναλλακτικές λύσεις λιθίου, όπως σχέδια νατρίου και στερεάς κατάστασης, μειώνοντας την πίεση της αλυσίδας εφοδιασμού στα σπάνια μέταλλα. Η τεχνητή νοημοσύνη στη συσκευή σε ηλεκτρικά οχήματα και δίκτυα θα προβλέπει όλο και περισσότερο τις αστοχίες πριν συμβούν, επιτρέποντας ταχύτερη φόρτιση και μεγαλύτερη διάρκεια ζωής των πακέτων χωρίς να θυσιάζεται η ασφάλεια.
Υλοποίηση σε πραγματικό κόσμο
Οι Microsoft και PNNL χρησιμοποίησαν τεχνητή νοημοσύνη για να εξετάσουν 32 εκατομμύρια υποψήφια υλικά και να εντοπίσουν έναν νέο ηλεκτρολύτη στερεάς κατάστασης που αντικαθιστά μεγάλο μέρος του λιθίου με νάτριο.
Η Tesla και άλλοι κατασκευαστές EV χρησιμοποιούν λογισμικό διαχείρισης μπαταριών μηχανικής εκμάθησης για να εκτιμήσουν την εμβέλεια και να ανιχνεύσουν κύτταρα που κινδυνεύουν από θερμική διαφυγή.
Η Toyota και οι συνεργάτες της εφαρμόζουν μοντέλα ML για να επιταχύνουν την ανάπτυξη ηλεκτρολυτών μπαταριών στερεάς κατάστασης για μεγαλύτερη πυκνότητα ενέργειας.
Startups όπως η Aionics και η Citrine Informatics χρησιμοποιούν τεχνητή νοημοσύνη για να προτείνουν σκευάσματα ηλεκτρολυτών, μειώνοντας τον αριθμό των φυσικών πειραμάτων που απαιτούνται.
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Η αυτοματοποίηση μιας διαλυμένης διαδικασίας μπορεί να ενισχύσει τα υπάρχοντα προβλήματα.
Οι ομάδες μπορεί να αυτοματοποιήσουν υπερβολικά και να αφαιρέσουν την απαραίτητη ανθρώπινη κρίση.
Η ποιότητα μπορεί να αλλάξει αν τα αποτελέσματα δεν αξιολογούνται συνεχώς.
Οδικός Χάρτης Εφαρμογής
Χαρτογραφήστε την τρέχουσα ροή εργασίας και εντοπίστε το βήμα της υψηλότερης τριβής.
Καθορίστε ανθρώπινα σημεία ελέγχου πριν από την πλήρη αυτοματοποίηση.
Εκπαιδεύστε τους χρήστες σε προτροπές, διαδρομές κλιμάκωσης και πρότυπα ποιότητας.
Παρακολουθήστε τα αποτελέσματα σε επίπεδο εργασίας για να επιβεβαιώσετε τη σταθερή αξία.
Συνεχίστε την εξερεύνηση
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Battery Design and Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Επόμενος οδηγός
AI στο Chip Floorplanning and Design
Συχνές ερωτήσεις
What is AI in Battery Design and Optimization?
Η τεχνητή νοημοσύνη επιταχύνει την ανακάλυψη νέων υλικών μπαταριών και τη διαχείριση των υπαρχόντων κυττάρων, συμπιέζοντας δεκαετίες χημείας δοκιμών και σφαλμάτων σε μήνες. Έχει σημασία γιατί οι καλύτερες, ασφαλέστερες, φθηνότερες μπαταρίες αποτελούν το σημείο συμφόρησης για τα ηλεκτρικά οχήματα, τα δίκτυα και τα ηλεκτρονικά.
Τι ήταν αξιοσημείωτο σχετικά με το έργο υλικών μπαταριών 2023 Microsoft και PNNL;
Η τεχνητή νοημοσύνη μείωσε περίπου 32 εκατομμύρια υποψηφίους σε μια χούφτα, οδηγώντας σε έναν ηλεκτρολύτη στερεάς κατάστασης που υποκαθιστά το νάτριο για μεγάλο μέρος του λιθίου.
Γιατί η παραδοσιακή ανάπτυξη μπαταριών είναι τόσο αργή χωρίς AI;
Ο συνδυαστικός χώρος των πιθανών υλικών είναι αστρονομικά μεγάλος και η επικύρωση μιας μόνο συνταγής μπορεί να πάρει χρόνια εργαστηριακής εργασίας.
Πώς αντιμετωπίζει ένα νευρωνικό δίκτυο γραφήματος έναν κρύσταλλο ή ένα μόριο;
Τα GNN μοντελοποιούν τα άτομα ως κόμβους και τους δεσμούς ως ακμές, μαθαίνοντας να προβλέπουν τις ιδιότητες του υλικού απευθείας από αυτό το δομικό γράφημα.
Ποιος είναι ο ρόλος της Bayesian βελτιστοποίησης στην έρευνα μπαταριών;
Η Bayesian βελτιστοποίηση δημιουργεί ένα πιθανολογικό μοντέλο του χώρου αναζήτησης και επιλέγει κάθε επόμενο πείραμα για να εξισορροπήσει την εξερεύνηση και την εκμετάλλευση, μειώνοντας τις συνολικές δοκιμές.
Τι υπολογίζει ένα σύστημα διαχείρισης μπαταρίας με τεχνητή νοημοσύνη;
Το λογισμικό BMS που βασίζεται σε AI εκτιμά το επίπεδο φόρτισης και την υγεία και επισημαίνει πρώιμα σημάδια επικίνδυνης θερμικής διαφυγής.