AI trong thiết kế và tối ưu hóa pin
AI tăng tốc việc khám phá các vật liệu pin mới và quản lý các tế bào hiện có, nén hàng thập kỷ thử nghiệm và sai sót hóa học thành nhiều tháng.
Tổng quan
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
Lặn sâu
Quá trình phát triển pin cực kỳ chậm: một công thức điện phân duy nhất có thể mất nhiều năm để thử nghiệm và không gian của các hóa chất khả thi là vô cùng lớn. AI tấn công điều này ở hai quy mô. Trong khám phá vật liệu, các mô hình học máy được đào tạo về hóa học lượng tử và dữ liệu thực nghiệm dự đoán sự kết hợp nào của các nguyên tố mang lại độ dẫn điện, độ ổn định và mật độ năng lượng cao trước khi bất cứ thứ gì được tổng hợp. Vào năm 2023, Microsoft và Phòng thí nghiệm quốc gia Tây Bắc Thái Bình Dương đã sàng lọc hơn 32 triệu ứng viên để tìm ra chất điện phân thể rắn sử dụng ít lithium hơn nhiều. Ở cấp độ thiết bị, AI hỗ trợ các hệ thống quản lý pin ước tính trạng thái sạc và trạng thái hoạt động, dự đoán tuổi thọ còn lại và phát hiện sớm các dấu hiệu thoát nhiệt. Các phòng thí nghiệm robot vòng kín bổ sung thêm thử nghiệm tự động, trong đó AI đề xuất thử nghiệm tiếp theo và robot sẽ thực hiện thử nghiệm đó.
Hiểu biết kỹ thuật
Hai kỹ thuật chiếm ưu thế. Mạng lưới thần kinh đồ thị coi tinh thể hoặc phân tử là đồ thị của các nguyên tử và liên kết, học cách dự đoán các đặc tính như độ dẫn ion chỉ từ cấu trúc. Sau đó, tối ưu hóa Bayes hướng dẫn các thử nghiệm: nó xây dựng một xác suất thay thế cho bối cảnh hóa học so với hiệu suất và chọn từng thử nghiệm tiếp theo để tối đa hóa mức thu được thông tin dự kiến, cân bằng việc khám phá các công thức chưa biết với việc khai thác các công thức có triển vọng, do đó cần ít thử nghiệm vật lý hơn.
Tác động chiến lược
Xây dựng lựa chọn
Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không.
Nhóm và quy trình làm việc
Tích hợp quy trình làm việc tốt sẽ giúp tăng năng suất mà người dùng có thể tin tưởng.
Rủi ro và an toàn
Các trường hợp sử dụng có phạm vi phù hợp giúp giảm bớt sự mệt mỏi khi thay đổi và rủi ro triển khai.
Tương lai của AI trong thiết kế và tối ưu hóa pin
Mong đợi các phòng thí nghiệm tự lái, nơi AI và robot chạy thử nghiệm suốt ngày đêm với sự tham gia tối thiểu của con người, thu hẹp chu kỳ khám phá từ nhiều năm xuống còn vài tuần. Các mô hình nền tảng được đào tạo trên hàng triệu vật liệu nên khái quát hóa các lựa chọn thay thế lithium như thiết kế natri và trạng thái rắn, giảm bớt áp lực chuỗi cung ứng đối với các kim loại khan hiếm. AI trên thiết bị trong xe điện và lưới điện sẽ ngày càng dự đoán các lỗi trước khi chúng xảy ra, cho phép sạc nhanh hơn và kéo dài tuổi thọ gói hàng mà không ảnh hưởng đến độ an toàn.
Triển khai trong thế giới thực
Microsoft và PNNL đã sử dụng AI để sàng lọc 32 triệu vật liệu ứng cử viên và xác định chất điện phân thể rắn mới thay thế phần lớn lithium bằng natri.
Tesla và các nhà sản xuất xe điện khác sử dụng phần mềm quản lý pin học máy để ước tính phạm vi hoạt động và phát hiện các tế bào có nguy cơ bị mất nhiệt.
Toyota và các đối tác áp dụng mô hình ML để đẩy nhanh quá trình phát triển chất điện phân pin thể rắn nhằm đạt được mật độ năng lượng cao hơn.
Các công ty khởi nghiệp như Aionics và Citrine Informatics sử dụng AI để đề xuất công thức chất điện giải, cắt giảm số lượng thí nghiệm vật lý cần thiết.
Rủi ro & lan can
Tự động hóa một quy trình bị hỏng có thể khuếch đại các vấn đề hiện có.
Các nhóm có thể tự động hóa quá mức và loại bỏ sự phán xét cần thiết của con người.
Chất lượng có thể thay đổi nếu kết quả đầu ra không được đánh giá liên tục.
Lộ trình thực hiện
Lập sơ đồ quy trình làm việc hiện tại và xác định bước có mức độ ma sát cao nhất.
Xác định các điểm kiểm tra của con người trước khi tự động hóa hoàn toàn.
Đào tạo người dùng về lời nhắc, đường dẫn leo thang và tiêu chuẩn chất lượng.
Theo dõi kết quả ở cấp độ nhiệm vụ để xác nhận giá trị bền vững.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
AI trong quy hoạch và thiết kế sàn chip
Câu hỏi thường gặp
What is AI in Battery Design and Optimization?
AI tăng tốc việc khám phá các vật liệu pin mới và quản lý các tế bào hiện có, nén hàng thập kỷ thử nghiệm và sai sót hóa học thành nhiều tháng. Điều này quan trọng vì pin tốt hơn, an toàn hơn, rẻ hơn là điểm nghẽn đối với xe điện, lưới điện và thiết bị điện tử.
Dự án vật liệu pin Microsoft và PNNL năm 2023 có gì đáng chú ý?
AI đã thu hẹp khoảng 32 triệu ứng viên xuống còn một số ít, dẫn đến chất điện phân ở trạng thái rắn thay thế natri cho phần lớn lithium.
Tại sao việc phát triển pin truyền thống lại chậm chạp nếu không có AI?
Không gian tổ hợp của các vật liệu có thể có rất lớn về mặt thiên văn và việc xác nhận một công thức duy nhất có thể mất nhiều năm làm việc trong phòng thí nghiệm.
Mạng lưới thần kinh đồ thị xử lý một tinh thể hoặc phân tử như thế nào?
GNN mô hình hóa các nguyên tử dưới dạng các nút và liên kết dưới dạng các cạnh, học cách dự đoán các đặc tính vật liệu trực tiếp từ biểu đồ cấu trúc này.
Vai trò của tối ưu hóa Bayes trong nghiên cứu pin là gì?
Tối ưu hóa Bayes xây dựng mô hình xác suất của không gian tìm kiếm và chọn từng thử nghiệm tiếp theo để cân bằng giữa việc thăm dò và khai thác, giảm tổng số thử nghiệm.
Hệ thống quản lý pin sử dụng AI để ước tính điều gì?
Phần mềm BMS do AI điều khiển ước tính mức sạc và tình trạng, đồng thời cảnh báo sớm các dấu hiệu thoát nhiệt nguy hiểm.