AI az akkumulátor tervezésében és optimalizálásában
A mesterséges intelligencia felgyorsítja az új akkumulátoranyagok felfedezését és a meglévő cellák kezelését, több évtizedes próba-hiba kémiát hónapokba tömörítve.
Áttekintés
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
Mély merülés
Az akkumulátor fejlesztése brutálisan lassú: egyetlen elektrolit receptúra tesztelése évekig is eltarthat, a lehetséges kémiák tere pedig csillagászatilag nagy. Az AI ezt két skálán támadja. Az anyagok felfedezésében a kvantumkémiára és kísérleti adatokra kiképzett gépi tanulási modellek megjósolják, hogy az elemek mely kombinációi eredményeznek magas vezetőképességet, stabilitást és energiasűrűséget, mielőtt bármit is szintetizálnának. 2023-ban az Microsoft és a Pacific Northwest National Laboratory több mint 32 millió jelöltet vizsgált meg, hogy jóval kevesebb lítiumot használó szilárdtest elektrolitot találjanak. Az eszköz szintjén a mesterséges intelligencia olyan akkumulátor-kezelő rendszereket működtet, amelyek megbecsülik a töltöttségi állapotot és az egészségi állapotot, megjósolják a hátralévő élettartamot, és észlelik a hőkifutás korai jeleit. A zárt hurkú robotlaborok automatizált kísérletezést adnak hozzá, ahol az AI javasolja a következő kísérletet, és egy robot futtatja azt.
Technikai betekintés
Két technika dominál. A gráf neurális hálózatok egy kristályt vagy molekulát atomok és kötések grafikonjaként kezelnek, és megtanulják megjósolni az olyan tulajdonságokat, mint az ionvezetőképesség, pusztán a szerkezet alapján. A Bayes-féle optimalizálás ezután irányítja a kísérleteket: a kémia-teljesítmény-környezet valószínűségi helyettesítőjét építi fel, és minden következő tesztet úgy választ ki, hogy maximalizálja a várható információszerzést, egyensúlyba hozza az ismeretlen receptek feltárását az ígéretesek kiaknázásával, így sokkal kevesebb fizikai kísérletre van szükség.
Stratégiai hatás
Építési lehetőségek
Az alkalmazásszintű tervezés határozza meg, hogy az AI javítja-e a valós eredményeket.
Csapat és munkafolyamat
A jó munkafolyamat-integráció olyan termelékenységnövekedést eredményez, amelyben a felhasználók megbízhatnak.
Kockázat és biztonság
A jól körülhatárolt felhasználási esetek csökkentik a változtatások fáradtságát és a végrehajtás kockázatát.
Az AI jövője az akkumulátortervezésben és -optimalizálásban
Önvezető laboratóriumokra számíthatunk, ahol a mesterséges intelligencia és a robotika éjjel-nappal végez kísérleteket minimális emberi ráfordítással, így a felfedezési ciklusok évekről hetekre csökkennek. A több millió anyagra kiképzett alapozási modelleket általánosítaniuk kell a lítium-alternatívákra, például a nátrium- és szilárdtest-konstrukciókra, csökkentve az ellátási láncban a szűkös fémekre nehezedő nyomást. Az elektromos járművekben és a hálózatokban az eszközön található mesterséges intelligencia egyre inkább előrejelzi a meghibásodásokat, mielőtt azok bekövetkeznének, lehetővé téve a gyorsabb töltést és a csomagok hosszabb élettartamát a biztonság feláldozása nélkül.
Valós megvalósítás
Microsoft és a PNNL mesterséges intelligencia segítségével 32 millió jelölt anyagot szűrtek, és azonosítottak egy új szilárdtest elektrolitot, amely a lítium nagy részét nátriummal helyettesíti.
A Tesla és más elektromos járművek gyártói gépi tanulási akkumulátor-kezelő szoftvert használnak a hatótávolság becslésére és a hőkiesés kockázatának kitett cellák észlelésére.
A Toyota és partnerei ML modelleket alkalmaznak a szilárdtest akkumulátorok elektrolit-fejlesztésének felgyorsítására a nagyobb energiasűrűség érdekében.
Az olyan induló vállalkozások, mint az Aionics és a Citrine Informatics mesterséges intelligencia segítségével elektrolitkészítményeket ajánlanak, csökkentve ezzel a szükséges fizikai kísérletek számát.
Kockázatok és védőkorlátok
Egy megszakadt folyamat automatizálása felerősítheti a meglévő problémákat.
A csapatok túlautomatizálhatják és eltávolíthatják a szükséges emberi ítélőképességet.
A minőség sodródhat, ha a kimeneteket nem értékelik folyamatosan.
Végrehajtási ütemterv
Térképezze fel az aktuális munkafolyamatot, és határozza meg a legnagyobb súrlódású lépést.
Emberi ellenőrzőpontok meghatározása a teljes automatizálás előtt.
Tanítsa meg a felhasználókat az utasításokról, az eszkalációs utakról és a minőségi szabványokról.
Kövesse nyomon a feladat szintű eredményeket a tartós érték megerősítéséhez.
Folytassa a felfedezést
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
Következő útmutató
AI a chipes padlótervezésben és -tervezésben
Gyakran ismételt kérdések
What is AI in Battery Design and Optimization?
A mesterséges intelligencia felgyorsítja az új akkumulátoranyagok felfedezését és a meglévő cellák kezelését, több évtizedes próba-hiba kémiát hónapokba tömörítve. Ez azért fontos, mert a jobb, biztonságosabb és olcsóbb akkumulátorok jelentik az elektromos járművek, a hálózatok és az elektronika szűk keresztmetszetét.
Mi volt a figyelemre méltó a 2023-as Microsoft és PNNL akkumulátoranyag-projektben?
A mesterséges intelligencia nagyjából 32 millió jelöltet szűkített egy maroknyira, ami egy szilárdtest elektrolithoz vezetett, amely a lítium nagy részét nátriummal helyettesíti.
Miért olyan lassú a hagyományos akkumulátorfejlesztés mesterséges intelligencia nélkül?
A lehetséges anyagok kombinatorikus tere csillagászatilag nagy, egyetlen recept érvényesítése pedig évekig tartó labormunkát igényel.
Hogyan kezeli a gráf neurális hálózat a kristályt vagy molekulát?
A GNN-ek az atomokat csomópontként, a kötéseket pedig élként modellezik, és megtanulják az anyagok tulajdonságait közvetlenül ebből a szerkezeti gráfból megjósolni.
Mi a Bayes-optimalizálás szerepe az akkumulátorkutatásban?
A Bayes-optimalizálás a keresési tér valószínűségi modelljét építi fel, és minden következő kísérletet kiválaszt, hogy egyensúlyba hozza a feltárást és a kiaknázást, csökkentve az összes tesztet.
Mire becsüli meg az akkumulátorkezelő rendszer az AI-t?
A mesterséges intelligencia által vezérelt BMS-szoftver megbecsüli a töltöttségi szintet és az állapotot, és jelzi a veszélyes hőemelkedés korai jeleit.