ИИ в проектировании и оптимизации аккумуляторов
ИИ ускоряет открытие новых материалов для аккумуляторов и управление существующими элементами, сокращая десятилетия химических исследований методом проб и ошибок до месяцев.
Обзор
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
Глубокое погружение
Разработка аккумуляторов идет крайне медленно: на проверку одного рецепта электролита могут уйти годы, а пространство возможных химических соединений астрономически велико. ИИ атакует эту проблему на двух уровнях. При открытии материалов модели машинного обучения, обученные на основе квантовой химии и экспериментальных данных, предсказывают, какие комбинации элементов обеспечивают высокую проводимость, стабильность и плотность энергии, прежде чем что-либо будет синтезировано. В 2023 году Microsoft и Тихоокеанская северо-западная национальная лаборатория проверили более 32 миллионов кандидатов, чтобы найти твердотельный электролит, использующий гораздо меньше лития. На уровне устройства искусственный интеллект обеспечивает работу систем управления батареями, которые оценивают состояние заряда и работоспособности, прогнозируют оставшийся срок службы и обнаруживают ранние признаки выхода из-под контроля температуры. Роботизированные лаборатории с замкнутым контуром добавляют автоматизированные эксперименты, когда ИИ предлагает следующий эксперимент, а робот его запускает.
Техническая информация
Преобладают две техники. Графовые нейронные сети рассматривают кристалл или молекулу как граф атомов и связей, обучаясь предсказывать такие свойства, как ионная проводимость, исходя только из структуры. Затем байесовская оптимизация направляет эксперименты: она создает вероятностный суррогат ландшафта «химия против производительности» и выбирает каждый следующий тест для максимизации ожидаемого получения информации, балансируя исследование неизвестных рецептов с использованием многообещающих, поэтому требуется меньше физических экспериментов.
Стратегическое воздействие
Выбор сборки
Проектирование на уровне приложения определяет, улучшит ли ИИ реальные результаты.
Команда и рабочий процесс
Хорошая интеграция рабочих процессов обеспечивает повышение производительности, которому пользователи могут доверять.
Риски и безопасность
Хорошо продуманные варианты использования снижают усталость от изменений и риск внедрения.
Будущее искусственного интеллекта в проектировании и оптимизации аккумуляторов
Ожидайте беспилотные лаборатории, где искусственный интеллект и робототехника круглосуточно проводят эксперименты с минимальным участием человека, сокращая циклы открытий с лет до недель. Модели Фонда, обученные на миллионах материалов, должны быть обобщены на альтернативы литию, такие как натрий, и твердотельные конструкции, что ослабит давление в цепочке поставок на дефицитные металлы. Искусственный интеллект на устройствах в электромобилях и сетях будет все чаще предсказывать сбои до того, как они произойдут, обеспечивая более быструю зарядку и более длительный срок службы аккумуляторов без ущерба для безопасности.
Реальная реализация
Microsoft и PNNL использовали ИИ для проверки 32 миллионов потенциальных материалов и определения нового твердотельного электролита, который заменяет большую часть лития натрием.
Tesla и другие производители электромобилей используют программное обеспечение для управления батареями с машинным обучением, чтобы оценить запас хода и обнаружить элементы, подверженные риску перегрева.
Toyota и партнеры применяют модели ML для ускорения разработки электролитов твердотельных аккумуляторов для повышения плотности энергии.
Такие стартапы, как Aionics и Citrine Informatics, используют ИИ, чтобы рекомендовать составы электролитов, сокращая количество необходимых физических экспериментов.
Риски и ограничения
Автоматизация сломанного процесса может усугубить существующие проблемы.
Команды могут чрезмерно автоматизировать и исключить необходимое человеческое суждение.
Качество может ухудшиться, если результаты не будут оцениваться постоянно.
Дорожная карта реализации
Составьте карту текущего рабочего процесса и определите этап, вызывающий наибольшие затруднения.
Определите человеческие контрольно-пропускные пункты перед полной автоматизацией.
Обучайте пользователей подсказкам, путям эскалации и стандартам качества.
Отслеживайте результаты на уровне задач, чтобы подтвердить устойчивую ценность.
Продолжайте исследовать
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
Следующее руководство
ИИ в планировании и проектировании чипов
Часто задаваемые вопросы
What is AI in Battery Design and Optimization?
ИИ ускоряет открытие новых материалов для аккумуляторов и управление существующими элементами, сокращая десятилетия химических исследований методом проб и ошибок до месяцев. Это важно, потому что лучшие, безопасные и дешевые аккумуляторы являются узким местом для электромобилей, сетей и электроники.
Что примечательного в проекте Microsoft 2023 года и материалах для батарей PNNL?
ИИ сузил примерно 32 миллиона кандидатов до нескольких, что привело к созданию твердотельного электролита, который заменяет большую часть лития натрием.
Почему без искусственного интеллекта разработка традиционных аккумуляторов идет так медленно?
Комбинаторное пространство возможных материалов астрономически велико, и проверка одного рецепта может занять годы лабораторной работы.
Как графовая нейронная сеть рассматривает кристалл или молекулу?
GNN моделируют атомы как узлы, а связи как ребра, обучаясь предсказывать свойства материала непосредственно на основе этого структурного графа.
Какова роль байесовской оптимизации в исследованиях аккумуляторов?
Байесовская оптимизация строит вероятностную модель пространства поиска и выбирает каждый следующий эксперимент, чтобы сбалансировать исследование и эксплуатацию, сокращая общее количество тестов.
Что система управления батареями использует для оценки ИИ?
Программное обеспечение BMS на основе искусственного интеллекта оценивает уровень заряда и работоспособность, а также предупреждает о ранних признаках опасного перегрева.