Pil Tasarımı ve Optimizasyonunda Yapay Zeka
Yapay zeka, onlarca yıllık deneme-yanılma kimyasını aylara sıkıştırarak yeni pil malzemelerinin keşfini ve mevcut hücrelerin yönetimini hızlandırıyor.
Genel Bakış
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
Derin Dalış
Pilin gelişimi son derece yavaştır: Tek bir elektrolit tarifinin test edilmesi yıllar alabilir ve olası kimyaların alanı astronomik derecede büyüktür. Yapay zeka buna iki ölçekte saldırıyor. Malzeme keşfinde, kuantum kimyası ve deneysel veriler üzerine eğitilmiş makine öğrenimi modelleri, herhangi bir şey sentezlenmeden önce hangi element kombinasyonlarının yüksek iletkenlik, kararlılık ve enerji yoğunluğu sağladığını tahmin eder. 2023 yılında Microsoft ve Pacific Northwest Ulusal Laboratuvarı, çok daha az lityum kullanan katı hal elektroliti bulmak için 32 milyondan fazla adayı taradı. Yapay zeka, cihaz düzeyinde şarj durumunu ve sağlık durumunu tahmin eden, kalan ömrü tahmin eden ve termal kaçakların erken belirtilerini tespit eden pil yönetim sistemlerine güç sağlar. Kapalı döngü robot laboratuvarları, yapay zekanın bir sonraki deneyi önerdiği ve bir robotun bunu çalıştırdığı otomatik deneyler ekler.
Teknik Bilgi
İki teknik hakimdir. Grafik sinir ağları, bir kristali veya molekülü atomların ve bağların bir grafiği olarak ele alır ve iyonik iletkenlik gibi özellikleri yalnızca yapıdan tahmin etmeyi öğrenir. Bayes optimizasyonu daha sonra deneylere rehberlik eder: kimya-performans ortamının olasılıksal bir vekilini oluşturur ve beklenen bilgi kazanımını en üst düzeye çıkarmak için her bir sonraki testi seçer, bilinmeyen tariflerin araştırılmasını umut verici olanların kullanılmasına karşı dengeler, böylece daha az fiziksel deneye ihtiyaç duyulur.
Stratejik Etki
Build choices
Uygulama düzeyinde tasarım, yapay zekanın gerçek sonuçları iyileştirip iyileştirmediğini belirler.
Ekip ve iş akışı
İyi iş akışı entegrasyonu, kullanıcıların güvenebileceği üretkenlik kazanımları sağlar.
Risk and safety
İyi kapsamlı kullanım örnekleri, değişiklik yorgunluğunu ve uygulama riskini azaltır.
Pil Tasarımı ve Optimizasyonunda Yapay Zekanın Geleceği
Yapay zeka ve robot teknolojisinin minimum insan girdisiyle günün her saati deneyler yürüttüğü, keşif döngülerini yıllardan haftalara indirdiği sürücüsüz laboratuvarlar bekliyoruz. Milyonlarca malzeme üzerinden eğitilen temel modelleri, sodyum ve katı hal tasarımları gibi lityum alternatiflerine genellenerek kıt metaller üzerindeki tedarik zinciri baskısını hafifletmelidir. EV'lerdeki ve şebekelerdeki cihaz içi yapay zeka, arızaları gerçekleşmeden giderek daha fazla tahmin edecek ve güvenlikten ödün vermeden daha hızlı şarj ve daha uzun paket ömrü sağlayacak.
Gerçek Dünya Uygulaması
Microsoft ve PNNL, 32 milyon aday malzemeyi taramak ve lityumun çoğunu sodyumla değiştiren yeni bir katı hal elektroliti tanımlamak için yapay zekayı kullandı.
Tesla ve diğer EV üreticileri, menzili tahmin etmek ve termal kaçak riski altındaki hücreleri tespit etmek için makine öğrenimi pil yönetimi yazılımını kullanıyor.
Toyota ve ortakları, daha yüksek enerji yoğunluğu için katı hal akü elektrolit gelişimini hızlandırmak amacıyla ML modellerini uyguluyor.
Aionics ve Citrine Informatics gibi girişimler, elektrolit formülasyonları önermek için yapay zekayı kullanıyor ve ihtiyaç duyulan fiziksel deney sayısını azaltıyor.
Riskler ve Korkuluklar
Bozuk bir süreci otomatikleştirmek mevcut sorunları büyütebilir.
Ekipler aşırı otomatikleşebilir ve gerekli insan muhakemesini ortadan kaldırabilir.
Çıktılar sürekli olarak değerlendirilmezse kalite düşebilir.
Uygulama Yol Haritası
Mevcut iş akışının haritasını çıkarın ve en yüksek sürtünmeli adımı belirleyin.
Tam otomasyondan önce insan kontrol noktalarını tanımlayın.
Kullanıcıları istemler, yükseltme yolları ve kalite standartları konusunda eğitin.
Sürdürülebilir değeri doğrulamak için görev düzeyindeki sonuçları izleyin.
Keşfetmeye Devam Edin
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
Next guide
Çip Zemin Planlama ve Tasarımda Yapay Zeka
Sık sorulan sorular
What is AI in Battery Design and Optimization?
Yapay zeka, onlarca yıllık deneme-yanılma kimyasını aylara sıkıştırarak yeni pil malzemelerinin keşfini ve mevcut hücrelerin yönetimini hızlandırıyor. Bu önemli çünkü daha iyi, daha güvenli ve daha ucuz piller elektrikli araçlar, şebekeler ve elektronik cihazlar için darboğaz oluşturuyor.
2023 Microsoft ve PNNL pil malzemeleri projesinde dikkate değer olan neydi?
Yapay zeka yaklaşık 32 milyon adayı bir avuç dolusu adaya indirdi ve bu da lityumun büyük bir kısmının sodyumun yerini alan katı hal elektrolitine yol açtı.
AI olmadan geleneksel pil gelişimi neden bu kadar yavaş?
Olası malzemelerin kombinatoryal alanı astronomik derecede büyüktür ve tek bir tarifin doğrulanması yıllar süren laboratuvar çalışmalarını gerektirebilir.
Grafik sinir ağı bir kristali veya molekülü nasıl ele alır?
GNN'ler atomları düğümler, bağları da kenarlar olarak modelleyerek malzeme özelliklerini doğrudan bu yapısal grafikten tahmin etmeyi öğrenir.
Bayesian optimizasyonunun pil araştırmasındaki rolü nedir?
Bayes optimizasyonu, arama alanının olasılıksal bir modelini oluşturur ve her bir sonraki deneyi keşif ve kullanım arasında denge kuracak şekilde seçerek toplam testleri azaltır.
Bir pil yönetim sistemi neyi tahmin etmek için yapay zekayı kullanır?
Yapay zeka destekli BMS yazılımı, şarj seviyesini ve sağlık durumunu tahmin eder ve tehlikeli termal kaçakların erken işaretlerini işaretler.