ШІ в розробці та оптимізації акумулятора
Штучний інтелект прискорює відкриття нових матеріалів для акумуляторів і керування існуючими елементами, стискаючи десятиліття хімії методом проб і помилок у місяці.
Огляд
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
Глибоке занурення
Розробка батареї є жорстоко повільною: тестування одного рецепту електроліту може тривати роки, а простір можливих хімікатів астрономічно великий. ШІ атакує це в двох масштабах. У відкритті матеріалів моделі машинного навчання, навчені квантовою хімією та експериментальними даними, передбачають, які комбінації елементів забезпечують високу провідність, стабільність і щільність енергії, перш ніж щось буде синтезовано. У 2023 році Microsoft та Тихоокеанська північно-західна національна лабораторія перевірили понад 32 мільйони кандидатів, щоб знайти твердотільний електроліт із значно меншим вмістом літію. На рівні пристрою штучний інтелект живить системи керування батареєю, які оцінюють рівень заряду та працездатність, прогнозують залишок ресурсу та виявляють ранні ознаки перегріву. Роботизовані лабораторії із замкнутим циклом додають автоматизовані експерименти, де ШІ пропонує наступний експеримент, а робот його проводить.
Технічне розуміння
Домінують дві техніки. Графові нейронні мережі розглядають кристал або молекулу як графік атомів і зв’язків, навчаючись передбачати такі властивості, як іонна провідність, лише за структурою. Потім байєсовська оптимізація керує експериментами: вона створює імовірнісний сурогат ландшафту хімії проти продуктивності та вибирає кожен наступний тест, щоб максимізувати очікуваний прибуток інформації, збалансовуючи дослідження невідомих рецептів і використання багатообіцяючих, тому потрібно набагато менше фізичних експериментів.
Стратегічний вплив
Створіть вибір
Розробка на рівні програми визначає, чи покращує ШІ реальні результати.
Команда та робочий процес
Хороша інтеграція робочого процесу підвищує продуктивність, якій користувачі довіряють.
Ризики та безпека
Добре розроблені варіанти використання зменшують втому від змін і ризик впровадження.
Майбутнє штучного інтелекту в дизайні та оптимізації акумуляторів
Очікуйте автономних лабораторій, де штучний інтелект і робототехніка цілодобово проводять експерименти з мінімальним впливом людини, скорочуючи цикли відкриттів від років до тижнів. Базові моделі, навчені з мільйонами матеріалів, мають узагальнюватися на літієві альтернативи, такі як натрій і твердотільні конструкції, зменшуючи тиск на ланцюжок постачання дефіцитних металів. Штучний інтелект на пристрої в електромобілях і електромережах все частіше прогнозуватиме несправності до того, як вони відбудуться, забезпечуючи швидшу зарядку та довший термін служби акумулятора без шкоди для безпеки.
Реалізація в реальному світі
Microsoft та PNNL використали штучний інтелект для перевірки 32 мільйонів матеріалів-кандидатів і ідентифікації нового твердотільного електроліту, який замінює більшу частину літію на натрій.
Tesla та інші виробники електромобілів використовують програмне забезпечення для керування батареями з машинним навчанням, щоб оцінювати запас ходу та виявляти елементи, яким загрожує перегрівання.
Toyota і партнери застосовують моделі ML для прискорення розробки електроліту для твердотільних акумуляторів для підвищення щільності енергії.
Такі стартапи, як Aionics і Citrine Informatics, використовують штучний інтелект, щоб рекомендувати рецептури електролітів, скорочуючи кількість необхідних фізичних експериментів.
Ризики та огорожі
Автоматизація несправного процесу може посилити існуючі проблеми.
Команди можуть надмірно автоматизувати роботу й усунути необхідне людське судження.
Якість може погіршуватися, якщо результати не оцінюються постійно.
Дорожня карта впровадження
Намалюйте поточний робочий процес і визначте крок із найбільшим тертям.
Визначте контрольні точки людини перед повною автоматизацією.
Навчіть користувачів підказкам, шляхам ескалації та стандартам якості.
Відстежуйте результати на рівні завдання, щоб підтвердити постійну цінність.
Продовжуйте досліджувати
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
Наступний посібник
Штучний інтелект у плануванні поверхів і дизайні на основі мікросхем
Часті запитання
What is AI in Battery Design and Optimization?
Штучний інтелект прискорює відкриття нових матеріалів для акумуляторів і керування існуючими елементами, стискаючи десятиліття хімії методом проб і помилок у місяці. Це важливо, оскільки кращі, безпечніші та дешевші батареї є вузьким місцем для електромобілів, мереж та електроніки.
Що було примітним у проекті Microsoft 2023 року та акумуляторних матеріалів PNNL?
AI звузив приблизно 32 мільйони кандидатів до кількох, що призвело до створення твердотільного електроліту, який замінює натрій більшу частину літію.
Чому традиційний розвиток батареї такий повільний без ШІ?
Комбінаторний простір можливих матеріалів астрономічно великий, і перевірка одного рецепту може зайняти роки лабораторної роботи.
Як графова нейронна мережа трактує кристал або молекулу?
GNN моделюють атоми як вузли, а зв’язки – як ребра, навчаючись передбачати властивості матеріалу безпосередньо з цього структурного графіка.
Яка роль байєсівської оптимізації в дослідженні акумулятора?
Байєсовська оптимізація створює імовірнісну модель простору пошуку та вибирає кожен наступний експеримент, щоб збалансувати розвідку та експлуатацію, зменшуючи загальну кількість тестів.
Що оцінює система керування акумулятором за допомогою ШІ?
Програмне забезпечення BMS, кероване штучним інтелектом, оцінює рівень заряду та працездатність і позначає перші ознаки небезпечного перегріву.