Die Batterieleistung kann das Erlebnis eines Elektrofahrzeugs von der Reichweite über die Ladezeit bis zur Lebensdauer des Fahrzeugs beeinträchtigen. Künstliche Intelligenz hat Träume wie das Aufladen eines Elektrofahrzeugs in der Zeit, die zum Anhalten an einer Tankstelle benötigt wird, zu einer wahrscheinlicheren Realität gemacht und könnte dazu beitragen, andere Aspekte der Batterietechnologie zu verbessern.
Seit Jahrzehnten sind die Fortschritte bei Batterien für Elektrofahrzeuge durch einen großen Engpass begrenzt. In jeder Phase des Batterieentwicklungsprozesses müssen neue Technologien monatelang oder sogar jahrelang getestet werden- Jetzt hat ein Team unter der Leitung der Stanford-Professoren Stefano Ermon und William Chueh eine auf maschinellem Lernen basierende Methode entwickelt, die diese Testzeiten um 98 Prozent verkürzt. Obwohl die Gruppe ihre Methode auf die Ladegeschwindigkeit der Batterie getestet hat, kann sie auf zahlreiche andere Teile der Batterieentwicklungspipeline und sogar auf Technologien ohne Energie angewendet werden.
Die Studie, die im Februar von Nature veröffentlicht wurde, war Teil einer größeren Zusammenarbeit zwischen Wissenschaftlern aus Stanford, MIT und dem Toyota Research Institute. Das Ziel: Finden der besten Methode zum Laden einer EV-Batterie in 10 Minuten, die die Gesamtlebensdauer der Batterie maximiert. Die Forscher schrieben ein Programm, das anhand weniger Ladezyklen vorhersagte, wie Batterien auf unterschiedliche Ladeansätze reagieren würden. Die Software entschied auch in Echtzeit, auf welche Ladeansätze man sich konzentrieren oder diese ignorieren sollte. Durch die Reduzierung von Länge und Anzahl der Versuche konnten die Forscher den Testprozess von fast 2 Jahren auf 16 Tage verkürzen. Das Entwerfen von ultraschnell aufladbaren Batterien ist eine große Herausforderung. Die Intensität des schnelleren Ladens belastet den Akku stärker, was häufig zu einem frühen Ausfall des Akkus führt. Um diese Beschädigung des Akkus zu vermeiden, einer Komponente, die einen großen Teil der Gesamtkosten eines Elektroautos ausmacht, müssen Batterieingenieure eine umfassende Reihe von Lademethoden testen.
Die neue Forschung versuchte, diesen Prozess zu optimieren. Am Anfang stellte das Team fest, dass die Optimierung des Schnellladens viele Trial-and-Error-Tests umfasste. Das Team nutzte diese Kraft auf 2 wichtige Arten zu seinem Vorteil. Erstens verwendeten sie es, um die Zeit pro Zyklusexperiment zu reduzieren. In einer früheren Studie stellten die Forscher fest, dass sie nicht jede Batterie laden und aufladen müssen. Dies liegt daran, dass das maschinelle Lernsystem nach dem Training mit einigen Batterien, die bis zum Ausfall durchlaufen wurden, Muster in den frühen Daten finden konnte, die vorhersagten, wie lange eine Batterie halten würde. Zweitens reduzierte maschinelles Lernen die Anzahl der zu testenden Methoden. Anstatt jede mögliche Lademethode gleichermaßen zu testen oder sich auf die Intuition zu verlassen, lernte der Computer aus seinen Erfahrungen, schnell die besten zu testenden Protokolle zu finden. Durch das Testen weniger Methoden für weniger Zyklen fanden die Autoren der Studie schnell ein optimales ultraschnelles Ladeprotokoll. Die Lösung des Computers beschleunigte nicht nur den Testprozess erheblich, sondern war auch besser und viel ungewöhnlicher. Breitere Anwendungen Die Forscher sagten, ihr Ansatz könne nahezu jeden Teil der Batterieentwicklungspipeline beschleunigen. Von der Entwicklung der Chemie einer Batterie über die Bestimmung ihrer Größe und Form bis hin zur Suche nach besseren Systemen für Herstellung und Lagerung. Dies hätte weitreichende Auswirkungen nicht nur auf Elektrofahrzeuge, sondern auch auf andere Arten der Energiespeicherung.
Das maschinelle Lern- und Datenerfassungssystem der Studie wird künftigen Batteriewissenschaftlern zur freien Nutzung zur Verfügung gestellt. Durch die Verwendung dieses Systems zur Optimierung anderer Teile des Prozesses durch maschinelles Lernen könnte sich die Batterieentwicklung und die Einführung neuer, besserer Technologien um eine Größenordnung oder mehr beschleunigen. Das Potenzial der Methode der Studie reicht sogar über die Welt der Batterien hinaus. Andere Big-Data-Testprobleme, von der Arzneimittelentwicklung bis zur Optimierung der Leistung von Röntgenstrahlen und Lasern, könnten ebenfalls durch die Verwendung der Optimierung des maschinellen Lernens revolutioniert werden.
Und letztendlich könne es sogar helfen, einen der grundlegendsten Prozesse überhaupt zu optimieren.