Le prestazioni della batteria possono creare o distruggere l'esperienza del veicolo elettrico, dal driving range al tempo di ricarica fino alla durata dell'auto. Ora, l'intelligenza artificiale ha reso i sogni come ricaricare un veicolo elettrico nel tempo necessario per fermarsi a 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 questi tempi di test del 98%. Sebbene il gruppo abbia testato il proprio metodo sulla velocità di carica della batteria, hanno detto che può essere applicato a numerose altre parti della pipeline di sviluppo delle batterie e persino a tecnologie non energetiche.

"Nel test della batteria, devi provare un numero enorme di cose, perché le prestazioni che otterrai varieranno drasticamente, " disse Ermon, un assistente professore di informatica. "Con l'intelligenza artificiale, siamo in grado di identificare rapidamente gli approcci più promettenti e di eliminare molti esperimenti non necessari".

Lo studio, pubblicato da Natura il 19 febbraio, faceva parte di una più ampia collaborazione tra scienziati di Stanford, MIT e il Toyota Research Institute che collega la ricerca accademica fondamentale e le applicazioni industriali del mondo reale. L'obiettivo:trovare il metodo migliore per caricare una batteria EV in 10 minuti che massimizzi la durata complessiva della batteria. I ricercatori hanno scritto un programma che, basato su pochi cicli di ricarica, previsto come le batterie avrebbero risposto a diversi approcci di ricarica. Il software ha anche deciso in tempo reale su quali approcci di ricarica concentrarsi o ignorare. Riducendo sia la durata che il numero delle prove, i ricercatori hanno ridotto il processo di test da quasi due anni a 16 giorni.

"Abbiamo capito come accelerare notevolmente il processo di test per una ricarica estremamente rapida, " disse Pietro Attia, che ha co-diretto lo studio mentre era uno studente laureato. "Ciò che è veramente eccitante, anche se, è il metodo. Possiamo applicare questo approccio a molti altri problemi che, proprio adesso, stanno frenando lo sviluppo della batteria per mesi o anni."

Un approccio più intelligente al test della batteria

La progettazione di batterie a ricarica ultrarapida è una sfida importante, soprattutto perché è difficile farli durare. L'intensità della carica più rapida mette a dura prova la batteria, che spesso lo fa fallire presto. Per evitare questo danno al pacco batteria, un componente che rappresenta una grossa fetta del costo totale di un'auto elettrica, gli ingegneri delle batterie devono testare una serie completa 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 molti test per tentativi ed errori, qualcosa di inefficiente per gli esseri umani, ma il problema perfetto per una macchina.

"L'apprendimento automatico è un processo per tentativi ed errori, ma in modo più intelligente, " ha detto Aditya Grover, uno studente laureato in informatica che ha co-diretto lo studio. "I computer sono molto più bravi di noi a capire quando esplorare, provare approcci nuovi e diversi, e quando sfruttare, o zero dentro, su quelli più promettenti».

Il team ha utilizzato questo potere a proprio vantaggio in due modi fondamentali. Primo, l'hanno usato per ridurre il tempo per esperimento di ciclismo. 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, potevano prevedere quanto durerebbe 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 cicliche fino al guasto, potrebbe trovare modelli nei primi dati che presagivano quanto sarebbe durata una batteria.

Secondo, l'apprendimento automatico ha ridotto il numero di metodi da testare. Invece di testare allo stesso modo ogni possibile metodo di ricarica, o affidarsi all'intuizione, il computer ha imparato dalle sue esperienze a trovare rapidamente i migliori protocolli da testare.

Testando meno metodi per meno cicli, gli autori dello studio hanno trovato rapidamente un protocollo di ricarica ultrarapida ottimale per la loro batteria. Oltre ad accelerare notevolmente il processo di test, la soluzione del computer era anche migliore, e molto più insolita, di quella che probabilmente avrebbe escogitato uno scienziato delle batterie, disse Ermon.

"Ci ha fornito questo protocollo di ricarica sorprendentemente semplice, qualcosa che non ci aspettavamo, " disse Ermon. Invece di caricare alla massima corrente all'inizio della carica, la soluzione dell'algoritmo utilizza la corrente più alta nel mezzo della carica. "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 sue dimensioni e forma, alla ricerca di sistemi migliori per la produzione e lo stoccaggio. Ciò avrebbe ampie implicazioni 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 sviluppare le batterie, " ha detto Patrick Herring, coautore dello studio e scienziato del Toyota Research Institute. "Avere dati che puoi condividere tra un gran numero di persone nel mondo accademico e industriale, e che viene analizzato automaticamente, consente un'innovazione molto più rapida."

Il sistema di apprendimento automatico e raccolta dati dello studio sarà reso disponibile per i futuri scienziati delle batterie da utilizzare liberamente, Aringa aggiunta. Utilizzando questo sistema per ottimizzare altre parti del processo con l'apprendimento automatico, lo sviluppo della batteria e l'arrivo di nuovi, tecnologie migliori:potrebbero accelerare di un ordine di grandezza o più, Egli ha detto.

Le potenzialità del metodo dello studio si estendono anche oltre il mondo delle batterie, disse Ermon. Altri problemi di test dei big data, dallo sviluppo di farmaci all'ottimizzazione delle prestazioni di raggi X e laser, potrebbe anche essere rivoluzionato dall'uso dell'ottimizzazione dell'apprendimento automatico. E alla fine, Egli ha detto, potrebbe anche aiutare a ottimizzare uno dei processi più fondamentali di tutti.

"La speranza più grande è quella di aiutare il processo stesso della scoperta scientifica, "Ha detto Ermon. "Ci stiamo chiedendo:possiamo progettare questi metodi per elaborare ipotesi automaticamente? Possono aiutarci a estrarre conoscenze che gli umani non potrebbero? Man mano che otteniamo algoritmi sempre migliori, speriamo che l'intero processo di scoperta scientifica possa accelerare drasticamente".