Sztuczna inteligencja w projektowaniu i optymalizacji baterii
Sztuczna inteligencja przyspiesza odkrywanie nowych materiałów na akumulatory i zarządzanie istniejącymi ogniwami, skracając dziesięciolecia chemii opartej na próbach i błędach w miesiące.
Przegląd
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
Głębokie nurkowanie
Rozwój akumulatorów jest brutalnie powolny: testowanie pojedynczego przepisu na elektrolit może zająć lata, a przestrzeń możliwych składów chemicznych jest astronomicznie duża. Sztuczna inteligencja atakuje to na dwie skale. W odkrywaniu materiałów modele uczenia maszynowego wyszkolone w oparciu o chemię kwantową i dane eksperymentalne pozwalają przewidzieć, które kombinacje pierwiastków zapewniają wysoką przewodność, stabilność i gęstość energii, zanim cokolwiek zostanie zsyntetyzowane. W 2023 r. Microsoft i Pacific Northwest National Laboratory przebadały ponad 32 miliony kandydatów w celu znalezienia elektrolitu w stanie stałym przy użyciu znacznie mniejszej ilości litu. Na poziomie urządzenia sztuczna inteligencja zasila systemy zarządzania baterią, które szacują stan naładowania i stan baterii, przewidują pozostały czas życia i wykrywają wczesne oznaki niekontrolowanej zmiany temperatury. Laboratoria robotyczne o zamkniętej pętli umożliwiają zautomatyzowane eksperymenty, w których sztuczna inteligencja proponuje kolejny eksperyment, a robot go przeprowadza.
Wgląd techniczny
Dominują dwie techniki. Graficzne sieci neuronowe traktują kryształ lub cząsteczkę jako wykres atomów i wiązań, ucząc się przewidywać właściwości, takie jak przewodnictwo jonowe, na podstawie samej struktury. Optymalizacja bayesowska kieruje następnie eksperymentami: buduje probabilistyczny surogat krajobrazu chemii w porównaniu z wydajnością i wybiera każdy kolejny test tak, aby zmaksymalizować oczekiwany zysk informacji, równoważąc eksplorację nieznanych receptur z wykorzystaniem obiecujących, jak na razie potrzeba mniej eksperymentów fizycznych.
Wpływ strategiczny
Buduj wybory
Projektowanie na poziomie aplikacji określa, czy sztuczna inteligencja poprawia rzeczywiste wyniki.
Zespół i przepływ pracy
Dobra integracja przepływu pracy zapewnia wzrost produktywności, któremu użytkownicy mogą zaufać.
Ryzyko i bezpieczeństwo
Dobrze określone przypadki użycia zmniejszają zmęczenie zmianami i ryzyko wdrożenia.
Przyszłość sztucznej inteligencji w projektowaniu i optymalizacji baterii
Spodziewaj się autonomicznych laboratoriów, w których sztuczna inteligencja i robotyka przeprowadzają eksperymenty przez całą dobę przy minimalnym udziale człowieka, skracając cykle odkryć z lat do tygodni. Modele podstawowe wyszkolone na milionach materiałów powinny uogólniać się na alternatywne rozwiązania litowe, takie jak konstrukcje sodowe i półprzewodnikowe, zmniejszając presję łańcucha dostaw na rzadkie metale. Sztuczna inteligencja urządzeń w pojazdach elektrycznych i sieciach będzie w coraz większym stopniu przewidywać awarie, zanim one wystąpią, umożliwiając szybsze ładowanie i dłuższą żywotność pakietów bez utraty bezpieczeństwa.
Implementacja w świecie rzeczywistym
Microsoft i PNNL wykorzystały sztuczną inteligencję do sprawdzenia 32 milionów potencjalnych materiałów i zidentyfikowania nowego elektrolitu w stanie stałym, który zastępuje większość litu sodem.
Tesla i inni producenci pojazdów elektrycznych korzystają z oprogramowania do zarządzania akumulatorami wykorzystującego uczenie maszynowe do szacowania zasięgu i wykrywania ogniw zagrożonych niekontrolowaną temperaturą.
Toyota i partnerzy stosują modele ML w celu przyspieszenia rozwoju elektrolitu w akumulatorach półprzewodnikowych w celu uzyskania większej gęstości energii.
Startupy takie jak Aionics i Citrine Informatics wykorzystują sztuczną inteligencję do zalecania receptur elektrolitów, ograniczając liczbę potrzebnych eksperymentów fizycznych.
Zagrożenia i poręcze
Automatyzacja uszkodzonego procesu może spotęgować istniejące problemy.
Zespoły mogą nadmiernie zautomatyzować i wyeliminować niezbędny ludzki osąd.
Jakość może się wahać, jeśli wyniki nie są stale oceniane.
Plan wdrożenia
Zamapuj bieżący przepływ pracy i zidentyfikuj etap o największym tarciu.
Zdefiniuj ludzkie punkty kontrolne przed pełną automatyzacją.
Szkoluj użytkowników w zakresie podpowiedzi, ścieżek eskalacji i standardów jakości.
Śledź wyniki na poziomie zadań, aby potwierdzić trwałą wartość.
Odkrywaj dalej
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
Następny poradnik
Sztuczna inteligencja w planowaniu i projektowaniu podłóg chipowych
Często zadawane pytania
What is AI in Battery Design and Optimization?
Sztuczna inteligencja przyspiesza odkrywanie nowych materiałów na akumulatory i zarządzanie istniejącymi ogniwami, skracając dziesięciolecia chemii opartej na próbach i błędach w miesiące. Ma to znaczenie, ponieważ lepsze, bezpieczniejsze i tańsze akumulatory stanowią wąskie gardło dla pojazdów elektrycznych, sieci i elektroniki.
Co było godnego uwagi w projekcie dotyczącym materiałów do akumulatorów Microsoft i PNNL z 2023 r.?
Sztuczna inteligencja zawęziła listę około 32 milionów kandydatów do garstki, co doprowadziło do powstania elektrolitu w stanie stałym, który zastępuje większość litu.
Dlaczego rozwój tradycyjnych baterii jest tak powolny bez sztucznej inteligencji?
Przestrzeń kombinatoryczna możliwych materiałów jest astronomicznie duża, a weryfikacja pojedynczej receptury może zająć lata pracy laboratoryjnej.
Jak grafowa sieć neuronowa traktuje kryształ lub cząsteczkę?
GNN modelują atomy jako węzły i wiązania jako krawędzie, ucząc się przewidywać właściwości materiału bezpośrednio na podstawie tego wykresu strukturalnego.
Jaka jest rola optymalizacji bayesowskiej w badaniach nad akumulatorami?
Optymalizacja bayesowska buduje probabilistyczny model przestrzeni poszukiwań i wybiera każdy kolejny eksperyment tak, aby zrównoważyć eksplorację i eksploatację, redukując całkowitą liczbę testów.
Jakie szacunki system zarządzania baterią wykorzystuje sztuczną inteligencję?
Oprogramowanie BMS oparte na sztucznej inteligencji szacuje poziom naładowania i stan naładowania oraz sygnalizuje wczesne oznaki niebezpiecznej niestabilności termicznej.