AI ในการออกแบบและการเพิ่มประสิทธิภาพแบตเตอรี่
AI เร่งการค้นพบวัสดุแบตเตอรี่ใหม่และการจัดการเซลล์ที่มีอยู่ โดยบีบอัดเคมีที่ลองผิดลองถูกมาหลายทศวรรษให้เหลือเพียงเดือนเดียว
ภาพรวม
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
เจาะลึก
การพัฒนาแบตเตอรี่ช้ามาก: สูตรอิเล็กโทรไลต์เดียวอาจใช้เวลาหลายปีในการทดสอบ และพื้นที่สำหรับสารเคมีที่เป็นไปได้นั้นมีขนาดใหญ่มากทางดาราศาสตร์ AI โจมตีสิ่งนี้ในสองระดับ ในการค้นพบวัสดุ แบบจำลองแมชชีนเลิร์นนิงที่ได้รับการฝึกอบรมเกี่ยวกับเคมีควอนตัมและข้อมูลการทดลองจะทำนายว่าองค์ประกอบใดผสมกันที่ให้ค่าการนำไฟฟ้า ความเสถียร และความหนาแน่นของพลังงานสูง ก่อนที่จะสังเคราะห์สิ่งใดสิ่งหนึ่ง ในปี 2023 Microsoft และห้องปฏิบัติการแห่งชาติ Pacific Northwest คัดกรองผู้สมัครมากกว่า 32 ล้านคนเพื่อค้นหาอิเล็กโทรไลต์โซลิดสเตตที่ใช้ลิเธียมน้อยกว่ามาก ในระดับอุปกรณ์ AI ขับเคลื่อนระบบการจัดการแบตเตอรี่ที่ประเมินสถานะการชาร์จและสถานะสุขภาพ คาดการณ์อายุการใช้งานที่เหลืออยู่ และตรวจจับสัญญาณเริ่มต้นของความร้อนที่หนีไม่พ้น ห้องปฏิบัติการหุ่นยนต์แบบวงปิดเพิ่มการทดลองอัตโนมัติ โดยที่ AI เสนอการทดลองครั้งต่อไปและหุ่นยนต์จะเป็นผู้ดำเนินการ
ข้อมูลเชิงลึกทางเทคนิค
สองเทคนิคครอบงำ โครงข่ายประสาทเทียมแบบกราฟปฏิบัติต่อคริสตัลหรือโมเลกุลเป็นกราฟของอะตอมและพันธะ โดยเรียนรู้ที่จะทำนายคุณสมบัติ เช่น การนำไฟฟ้าไอออนิกจากโครงสร้างเพียงอย่างเดียว การเพิ่มประสิทธิภาพแบบเบย์จะเป็นแนวทางในการทดลอง โดยจะสร้างตัวแทนที่น่าจะเป็นไปได้ของภูมิทัศน์ทางเคมีเทียบกับประสิทธิภาพ และเลือกการทดสอบครั้งต่อไปเพื่อเพิ่มข้อมูลที่คาดหวังให้ได้มากที่สุด สร้างสมดุลระหว่างการสำรวจสูตรที่ไม่รู้จักกับการใช้ประโยชน์จากสูตรที่มีแนวโน้มดี จึงมีการทดลองทางกายภาพน้อยลง
ผลกระทบเชิงกลยุทธ์
สร้างทางเลือก
การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่
ทีมงานและขั้นตอนการทำงาน
การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้
ความเสี่ยงและความปลอดภัย
กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ
อนาคตของ AI ในการออกแบบและการเพิ่มประสิทธิภาพแบตเตอรี่
คาดว่าจะมีห้องปฏิบัติการที่ขับเคลื่อนด้วยตนเองซึ่งมี AI และหุ่นยนต์ทำการทดลองตลอดเวลาโดยอาศัยข้อมูลจากมนุษย์เพียงเล็กน้อย ซึ่งจะทำให้วงจรการค้นพบลดลงจากหลายปีเหลือเพียงไม่กี่สัปดาห์ แบบจำลองพื้นฐานที่ได้รับการฝึกอบรมกับวัสดุนับล้านควรนำไปใช้ทั่วไปกับทางเลือกลิเธียม เช่น การออกแบบโซเดียมและโซลิดสเตต ช่วยลดแรงกดดันในห่วงโซ่อุปทานสำหรับโลหะที่หายาก AI บนอุปกรณ์ใน EV และกริดจะคาดการณ์ความล้มเหลวก่อนที่จะเกิดขึ้นได้มากขึ้น ช่วยให้การชาร์จเร็วขึ้นและอายุการใช้งานแบตเตอรี่ยาวนานขึ้นโดยไม่กระทบต่อความปลอดภัย
การใช้งานจริงในโลกแห่งความเป็นจริง
Microsoft และ PNNL ใช้ AI เพื่อคัดกรองวัสดุที่เข้าข่าย 32 ล้านรายการ และระบุอิเล็กโทรไลต์โซลิดสเตตใหม่ที่จะแทนที่ลิเทียมส่วนใหญ่ด้วยโซเดียม
Tesla และผู้ผลิต EV รายอื่นๆ ใช้ซอฟต์แวร์การจัดการแบตเตอรี่แบบแมชชีนเลิร์นนิงเพื่อประมาณระยะและตรวจจับเซลล์ที่เสี่ยงต่อการเกิดความร้อน
โตโยต้าและพันธมิตรใช้โมเดล ML เพื่อเร่งการพัฒนาอิเล็กโทรไลต์แบตเตอรี่โซลิดสเตตเพื่อให้มีความหนาแน่นของพลังงานสูงขึ้น
สตาร์ทอัพอย่าง Aionics และ Citrine Informatics ใช้ AI เพื่อแนะนำสูตรอิเล็กโทรไลต์ ซึ่งช่วยลดจำนวนการทดลองทางกายภาพที่จำเป็น
ความเสี่ยงและรั้ว
การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้
ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก
คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง
แผนงานการดำเนินงาน
แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด
กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ
ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ
ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน
สำรวจต่อไป
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
คำแนะนำต่อไป
AI ในการวางแผนและออกแบบพื้นชิป
คำถามที่พบบ่อย
What is AI in Battery Design and Optimization?
AI เร่งการค้นพบวัสดุแบตเตอรี่ใหม่และการจัดการเซลล์ที่มีอยู่ โดยบีบอัดเคมีที่ลองผิดลองถูกมาหลายทศวรรษให้เหลือเพียงเดือนเดียว สิ่งสำคัญคือแบตเตอรี่ที่ดีกว่า ปลอดภัยกว่า และถูกกว่าคือปัญหาคอขวดสำหรับรถยนต์ไฟฟ้า กริด และอุปกรณ์อิเล็กทรอนิกส์
สิ่งที่โดดเด่นเกี่ยวกับโครงการวัสดุแบตเตอรี่ Microsoft และ PNNL ปี 2023 คืออะไร
AI จำกัดผู้สมัครประมาณ 32 ล้านคนให้เหลือเพียงหยิบมือเดียว ซึ่งนำไปสู่อิเล็กโทรไลต์โซลิดสเตตที่ใช้แทนโซเดียมสำหรับลิเธียมส่วนใหญ่
เหตุใดการพัฒนาแบตเตอรี่แบบเดิมจึงช้ามากหากไม่มี AI
พื้นที่รวมของวัสดุที่เป็นไปได้นั้นมีขนาดใหญ่มาก และการตรวจสอบความถูกต้องของสูตรเดียวอาจต้องใช้เวลาหลายปีในห้องปฏิบัติการ
โครงข่ายประสาทเทียมแบบกราฟปฏิบัติต่อคริสตัลหรือโมเลกุลว่าอย่างไร
GNN จำลองอะตอมเป็นโหนดและพันธะเป็นขอบ เรียนรู้ที่จะทำนายคุณสมบัติของวัสดุโดยตรงจากกราฟโครงสร้างนี้
บทบาทของการเพิ่มประสิทธิภาพแบบเบย์ในการวิจัยแบตเตอรี่คืออะไร?
การเพิ่มประสิทธิภาพแบบเบย์จะสร้างแบบจำลองความน่าจะเป็นของพื้นที่การค้นหา และเลือกการทดสอบถัดไปแต่ละรายการเพื่อสร้างสมดุลระหว่างการสำรวจและการแสวงหาประโยชน์ โดยลดการทดสอบทั้งหมด
ระบบจัดการแบตเตอรี่ใช้ AI เพื่อประมาณค่าอะไร
ซอฟต์แวร์ BMS ที่ขับเคลื่อนด้วย AI จะประเมินระดับประจุและสุขภาพ และแจ้งสัญญาณเริ่มต้นของการระบายความร้อนที่เป็นอันตราย