El rendimiento de la batería puede hacer o deshacer la experiencia del vehículo eléctrico, desde el campo de prácticas hasta el tiempo de carga y la vida útil del automóvil. Ahora, La inteligencia artificial ha hecho realidad sueños como recargar un vehículo eléctrico en el tiempo que tarda en detenerse en una gasolinera. y podría ayudar a mejorar otros aspectos de la tecnología de baterías.

Por décadas, Los avances en baterías de vehículos eléctricos se han visto limitados por un importante cuello de botella:los tiempos de evaluación. En cada etapa del proceso de desarrollo de la batería, las nuevas tecnologías deben probarse durante meses o incluso años para determinar cuánto durarán. Pero ahora, un equipo dirigido por los profesores de Stanford Stefano Ermon y William Chueh ha desarrollado un método basado en el aprendizaje automático que reduce estos tiempos de prueba en un 98 por ciento. Aunque el grupo probó su método en la velocidad de carga de la batería, dijeron que se puede aplicar a muchas otras partes del proceso de desarrollo de baterías e incluso a tecnologías no energéticas.

"En las pruebas de batería, tienes que probar una gran cantidad de cosas, porque el rendimiento que obtenga variará drásticamente, "dijo Ermon, profesor asistente de informática. "Con IA, podemos identificar rápidamente los enfoques más prometedores y eliminar muchos experimentos innecesarios ".

El estudio, publicado por Naturaleza el 19 de febrero, fue parte de una colaboración más amplia entre científicos de Stanford, MIT y el Toyota Research Institute que une la investigación académica fundamental y las aplicaciones de la industria del mundo real. El objetivo:encontrar el mejor método para cargar una batería de EV en 10 minutos que maximice la vida útil total de la batería. Los investigadores escribieron un programa que, basado en solo unos pocos ciclos de carga, predijo cómo responderían las baterías a diferentes enfoques de carga. El software también decidió en tiempo real en qué enfoques de carga enfocarse o ignorar. Al reducir tanto la duración como el número de ensayos, los investigadores redujeron el proceso de prueba de casi dos años a 16 días.

"Descubrimos cómo acelerar enormemente el proceso de prueba para una carga extremadamente rápida, "dijo Peter Attia, quien codirigió el estudio mientras era estudiante de posgrado. "¿Qué es realmente emocionante? aunque, es el método. Podemos aplicar este enfoque a muchos otros problemas que, ahora, están retrasando el desarrollo de la batería durante meses o años ".

Un enfoque más inteligente para las pruebas de baterías

Diseñar baterías de carga ultrarrápida es un gran desafío, principalmente porque es difícil hacerlos durar. La intensidad de la carga más rápida ejerce una mayor presión sobre la batería, lo que a menudo hace que falle temprano. Para evitar este daño a la batería, un componente que representa una gran parte del costo total de un automóvil eléctrico, Los ingenieros de baterías deben probar una serie exhaustiva de métodos de carga para encontrar los que funcionen mejor.

La nueva investigación buscó optimizar este proceso. Al principio, el equipo vio que la optimización de carga rápida equivalía a muchas pruebas de prueba y error, algo que es ineficiente para los humanos, pero el problema perfecto para una máquina.

"El aprendizaje automático es un proceso de prueba y error, pero de una manera más inteligente, "dijo Aditya Grover, un estudiante de posgrado en ciencias de la computación que codirigió el estudio. "Las computadoras son mucho mejores que nosotros para determinar cuándo explorar (probar enfoques nuevos y diferentes) y cuándo aprovechar o cero en, sobre los más prometedores ".

El equipo utilizó este poder a su favor de dos formas clave. Primero, lo usaron para reducir el tiempo por experimento de ciclismo. En un estudio anterior, Los investigadores encontraron que en lugar de cargar y recargar cada batería hasta que fallara, la forma habitual de probar la vida útil de una batería, podían predecir cuánto duraría una batería después de solo sus primeros 100 ciclos de carga. Esto se debe a que el sistema de aprendizaje automático después de haber sido entrenado con algunas baterías en ciclo hasta fallar, podría encontrar patrones en los primeros datos que presagiaran cuánto duraría una batería.

Segundo, el aprendizaje automático redujo la cantidad de métodos que tenían que probar. En lugar de probar todos los métodos de carga posibles por igual, o confiando en la intuición, la computadora aprendió de sus experiencias para encontrar rápidamente los mejores protocolos para probar.

Al probar menos métodos por menos ciclos, Los autores del estudio encontraron rápidamente un protocolo de carga ultrarrápida óptimo para su batería. Además de acelerar drásticamente el proceso de prueba, La solución de la computadora también fue mejor, y mucho más inusual, de lo que probablemente habría ideado un científico de baterías, dijo Ermon.

"Nos brindó este protocolo de carga sorprendentemente simple, algo que no esperábamos, "Ermon dijo. En lugar de cargar a la corriente más alta al comienzo de la carga, La solución del algoritmo usa la corriente más alta en el medio de la carga. "Esa es la diferencia entre un ser humano y una máquina:la máquina no está influenciada por la intuición humana, que es poderoso pero a veces engañoso ".

Aplicaciones más amplias

Los investigadores dijeron que su enfoque podría acelerar casi todas las partes del proceso de desarrollo de la batería:desde el diseño de la química de una batería hasta la determinación de su tamaño y forma, para encontrar mejores sistemas de fabricación y almacenamiento. Esto tendría amplias implicaciones no solo para los vehículos eléctricos sino también para otros tipos de almacenamiento de energía, un requisito clave para realizar el cambio a la energía eólica y solar a escala mundial.

"Esta es una nueva forma de desarrollar baterías, "dijo Patrick Herring, coautor del estudio y científico del Toyota Research Institute. "Tener datos que puede compartir entre una gran cantidad de personas en el mundo académico y la industria, y que se analiza automáticamente, permite una innovación mucho más rápida ".

El sistema de recopilación de datos y aprendizaje automático del estudio estará disponible para que los futuros científicos de baterías lo utilicen libremente. Añadió Herring. Al utilizar este sistema para optimizar otras partes del proceso con aprendizaje automático, desarrollo de baterías y la llegada de nuevos mejores tecnologías:podrían acelerarse en un orden de magnitud o más, él dijo.

El potencial del método del estudio se extiende incluso más allá del mundo de las baterías, Ermon dijo. Otros problemas de pruebas de big data, desde el desarrollo de fármacos hasta la optimización del rendimiento de rayos X y láseres, también podría revolucionarse con el uso de la optimización del aprendizaje automático. Y ultimamente, él dijo, incluso podría ayudar a optimizar uno de los procesos más fundamentales de todos.

"La mayor esperanza es ayudar al proceso de descubrimiento científico en sí, "Ermon dijo." Estamos preguntando:¿Podemos diseñar estos métodos para generar hipótesis automáticamente? ¿Pueden ayudarnos a extraer conocimientos que los humanos no pudieron? A medida que obtengamos mejores y mejores algoritmos, esperamos que todo el proceso de descubrimiento científico se acelere drásticamente ".