Utilizzando l’apprendimento automatico, un team di ricerca guidato da Stanford ha ridotto i tempi di test delle batterie – una barriera chiave per batterie più durature e con ricarica più rapida per veicoli elettrici. Credito: Cube3D
Il nuovo metodo di apprendimento automatico di Stanford, con i ricercatori Toyota, potrebbe potenziare lo sviluppo della batteria per i veicoli elettrici
Utilizzando un nuovo metodo di apprendimento automatico, un team di ricerca guidato da Stanford ha ridotto di quasi quindici volte i tempi di test delle batterie – una barriera chiave per batterie a lunga durata e per una ricarica più rapida dei veicoli elettrici.
Le prestazioni della batteria possono rendere o distruggere l’esperienza del veicolo elettrico, dalla gamma di guida al tempo di ricarica fino alla durata della vettura. Ora, l’intelligenza artificiale ha reso i sogni come ricaricare un veicolo elettrico nel tempo necessario per fermarsi in una stazione di servizio una realtà più probabile e potrebbe aiutare a migliorare altri aspetti della tecnologia delle batterie.
Per decenni, i progressi nelle batterie dei veicoli elettrici sono stati limitati da un grosso collo di bottiglia: i tempi di valutazione. In ogni fase del processo di sviluppo della batteria, le nuove tecnologie devono essere testate per mesi o addirittura anni per determinare quanto dureranno. Ma ora, un team guidato dai professori di Stanford Stefano Ermon e William Chueh ha sviluppato un metodo basato sull’apprendimento automatico che riduce del 98% questi tempi di test. Sebbene il gruppo abbia testato il proprio metodo sulla velocità di carica della batteria, ha affermato che può essere applicato a numerose altre parti della pipeline di sviluppo della batteria e persino alle tecnologie non energetiche.
Un team guidato dai professori di Stanford Stefano Ermon e William Chueh ha ridotto i tempi di test delle batterie – una barriera chiave per batterie più durature e con ricarica più rapida per veicoli elettrici.
“Nei test della batteria, devi provare un numero enorme di cose, perché le prestazioni che ottieni variano in modo drastico”, ha affermato Ermon, un assistente professore di informatica. “Con l’IA siamo in grado di identificare rapidamente gli approcci più promettenti e tagliare molti esperimenti non necessari.”
Lo studio, pubblicato da Nature il 19 febbraio 2020, faceva parte di una più ampia collaborazione tra scienziati di Stanford, MIT e Toyota Research Institute che collega la ricerca accademica di base e le applicazioni del mondo reale. L’obiettivo: trovare il metodo migliore per caricare una batteria EV in 10 minuti per massimizzare la durata complessiva della batteria. I ricercatori hanno scritto un programma che, basato solo su alcuni cicli di ricarica, prevedeva come le batterie avrebbero reagito ai diversi approcci di ricarica. Il software ha inoltre deciso in tempo reale quali approcci di ricarica si concentrano o ignorano. Riducendo sia la durata che il numero di prove, i ricercatori hanno ridotto il processo di sperimentazione da quasi due anni a 16 giorni.
“Abbiamo capito come accelerare notevolmente il processo di test per la ricarica estremamente veloce”, ha dichiarato Peter Attia, che ha co-condotto lo studio mentre era uno studente laureato. “Ciò che è davvero eccitante, tuttavia, è il metodo. Possiamo applicare questo approccio a molti altri problemi che, in questo momento, frenano lo sviluppo della batteria per mesi o anni. “
Un approccio più intelligente ai test delle batterie
La progettazione di batterie a ricarica ultra rapida è una sfida importante, soprattutto perché è difficile farle durare. L’intensità della carica più veloce mette a dura prova la batteria, che spesso causa un guasto anticipato. Per evitare questo danno al pacco batteria, un componente che rappresenta una grande fetta del costo totale di un’auto elettrica, gli ingegneri della batteria devono testare una serie esaustiva di metodi di ricarica per trovare quelli che funzionano meglio.
La nuova ricerca ha cercato di ottimizzare questo processo. All’inizio, il team ha visto che l’ottimizzazione della ricarica rapida equivaleva a numerosi test di prova ed errore – qualcosa che è inefficiente per l’uomo, ma il problema perfetto per una macchina.
“L’apprendimento automatico è una prova ed errore, ma in un modo più intelligente”, ha affermato Aditya Grover, uno studente laureato in informatica che ha anche co-condotto lo studio. “I computer sono molto più bravi di noi a capire quando esplorare – provare approcci nuovi e diversi – e quando sfruttare o concentrarsi su quelli più promettenti.”
Il team ha sfruttato questo potere a proprio vantaggio in due modi chiave. In primo luogo, lo hanno usato per ridurre il tempo per esperimento ciclistico. In uno studio precedente, i ricercatori hanno scoperto che invece di caricare e ricaricare ogni batteria fino a quando non si guasta – il solito modo di testare la durata di una batteria – potrebbero prevedere quanto tempo durerà una batteria dopo solo i suoi primi 100 cicli di ricarica. Questo perché il sistema di apprendimento automatico, dopo essere stato addestrato su alcune batterie ciclicamente guaste, potrebbe trovare modelli nei primi dati che presagivano quanto sarebbe durata una batteria.
In secondo luogo, l’apprendimento automatico ha ridotto il numero di metodi che hanno dovuto testare. Invece di testare tutti i possibili metodi di ricarica allo stesso modo, o basandosi sull’intuizione, il computer ha imparato dalle sue esperienze per trovare rapidamente i migliori protocolli da testare.
Testando meno metodi per meno cicli, gli autori dello studio hanno rapidamente trovato un protocollo di ricarica ultraveloce ottimale per la loro batteria. Oltre a velocizzare notevolmente il processo di test, la soluzione del computer era anche migliore – e molto più insolita – di quanto probabilmente uno scienziato di batteria avrebbe escogitato, ha affermato Ermon.
“Ci ha fornito questo protocollo di ricarica sorprendentemente semplice – qualcosa che non ci aspettavamo”, ha detto Ermon. “Questa è la differenza tra un essere umano e una macchina: la macchina non è influenzata dall’intuizione umana, che è potente ma a volte fuorviante.”
Applicazioni più ampie
I ricercatori hanno affermato che il loro approccio potrebbe accelerare quasi ogni parte della pipeline di sviluppo della batteria: dalla progettazione della chimica di una batteria alla determinazione delle dimensioni e della forma, alla ricerca di sistemi migliori per la produzione e lo stoccaggio. Ciò avrebbe implicazioni ampie non solo per i veicoli elettrici ma anche per altri tipi di accumulo di energia, un requisito fondamentale per il passaggio all’energia eolica e solare su scala globale.
“Questo è un nuovo modo di fare lo sviluppo della batteria”, ha affermato Patrick Herring, coautore dello studio e scienziato presso il Toyota Research Institute. “Avere dati che puoi condividere tra un gran numero di persone nel mondo accademico e industriale e che vengono analizzati automaticamente, consente un’innovazione molto più rapida.”
Il team di ricerca comprendeva, da sinistra, il professor William Chueh di Stanford, lo scienziato del Toyota Research Institute Muratahan Aykol, lo studente di dottorato Aditya Grover di Stanford, l’alunno di PhD di Stanford Peter Attia, il professore di Stanford Stefano Ermon e lo scienziato della TRI Patrick Herring. Credito: Farrin Abbott
Herring ha aggiunto che il sistema di apprendimento automatico e di raccolta dati dello studio sarà reso disponibile per i futuri scienziati della batteria. Utilizzando questo sistema per ottimizzare altre parti del processo con l’apprendimento automatico, lo sviluppo della batteria – e l’arrivo di tecnologie più recenti e migliori – potrebbero accelerare di un ordine di grandezza o più, ha detto.
Il potenziale del metodo di studio si estende anche oltre il mondo delle batterie, ha affermato Ermon. Altri problemi relativi ai test sui big data, dallo sviluppo di farmaci all’ottimizzazione delle prestazioni di raggi X e laser, potrebbero anche essere rivoluzionati dall’uso dell’ottimizzazione dell’apprendimento automatico. E alla fine, ha detto, potrebbe persino aiutare a ottimizzare uno dei processi più fondamentali di tutti.
“La più grande speranza è di aiutare il processo di scoperta scientifica stessa”, ha detto Ermon. “Stiamo chiedendo: possiamo progettare questi metodi per elaborare automaticamente ipotesi? Possono aiutarci a estrarre la conoscenza che gli umani non potrebbero? Man mano che otteniamo algoritmi sempre migliori, speriamo che l’intero processo di scoperta scientifica possa accelerare drasticamente. “
Riferimento: “Ottimizzazione a circuito chiuso dei protocolli di ricarica rapida per batterie con apprendimento automatico” di Peter M. Attia, Aditya Grover, Norman Jin, Kristen A. Severson, Todor M. Markov, Yang-Hung Liao, Michael H. Chen, Bryan Cheong, Nicholas Perkins, Zi Yang, Patrick K. Herring, Muratahan Aykol, Stephen J. Harris, Richard D. Braatz, Stefano Ermon e William C. Chueh, 19 febbraio 2020, Nature .