تصور کنید یک پیشگو در روز تولدتان به والدینتان می‌گوید که چقدر زنده خواهید ماند. تجربه مشابهی برای شیمیدانان باتری که از مدل‌های محاسباتی جدید برای محاسبه طول عمر باتری بر اساس تنها یک چرخه از داده‌های تجربی استفاده می‌کنند، امکان‌پذیر است.

در یک مطالعه جدید، محققان آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده (DOE) به قدرت یادگیری ماشینی برای پیش‌بینی طول عمر طیف وسیعی از ترکیبات شیمیایی مختلف باتری روی آورده‌اند. دانشمندان با استفاده از داده‌های تجربی جمع‌آوری‌شده در آرگون از مجموعه‌ای از ۳۰۰ باتری که نشان‌دهنده شش ترکیب شیمیایی مختلف باتری هستند، می‌توانند به‌طور دقیق تعیین کنند که باتری‌های مختلف چه مدت به چرخه خود ادامه خواهند داد.

محققان آرگون از مدل‌های یادگیری ماشینی برای پیش‌بینی عمر چرخه باتری برای طیف وسیعی از مواد شیمیایی مختلف استفاده کرده‌اند. (تصویر از Shutterstock/Sealstep.)

در یک الگوریتم یادگیری ماشین، دانشمندان یک برنامه کامپیوتری را آموزش می‌دهند تا بر اساس مجموعه‌ای اولیه از داده‌ها استنتاج کند و سپس آنچه را که از آن آموزش آموخته است، برای تصمیم‌گیری در مورد مجموعه‌ای دیگر از داده‌ها به کار می‌گیرد.

نوح پالسون، دانشمند محاسباتی آرگون و یکی از نویسندگان این مطالعه، گفت: «برای هر نوع کاربرد باتری، از تلفن‌های همراه گرفته تا وسایل نقلیه الکتریکی و ذخیره‌سازی شبکه، طول عمر باتری برای هر مصرف‌کننده از اهمیت اساسی برخوردار است.» ​«هزاران بار شارژ کردن یک باتری تا زمان از کار افتادن آن می‌تواند سال‌ها طول بکشد؛ روش ما نوعی آشپزخانه آزمایش محاسباتی ایجاد می‌کند که در آن می‌توانیم به سرعت مشخص کنیم که باتری‌های مختلف چگونه عمل خواهند کرد.»

«در حال حاضر، تنها راه برای ارزیابی چگونگی کاهش ظرفیت یک باتری، چرخه‌بندی واقعی باتری است.» این را سوزان «سو» بابینک، یکی دیگر از نویسندگان این مطالعه، اضافه کرد. «این کار بسیار گران است و زمان زیادی می‌برد.»

به گفته پالسون، فرآیند تعیین طول عمر باتری می‌تواند دشوار باشد. او گفت: «واقعیت این است که باتری‌ها تا ابد دوام نمی‌آورند و مدت زمان دوام آنها به نحوه استفاده ما از آنها و همچنین طراحی و شیمی آنها بستگی دارد.» «تاکنون، واقعاً راه خوبی برای دانستن اینکه یک باتری چقدر دوام می‌آورد، وجود نداشته است. مردم می‌خواهند بدانند که تا زمانی که مجبور به خرید باتری جدید شوند، چقدر دیگر فرصت دارند.»

یکی از جنبه‌های منحصر به فرد این مطالعه این است که بر اساس کار تجربی گسترده‌ای که در آرگون بر روی انواع مواد کاتد باتری، به ویژه کاتد مبتنی بر نیکل-منگنز-کبالت (NMC) ثبت شده توسط آرگون، انجام شده است، انجام شده است. پالسون گفت: "ما باتری‌هایی داشتیم که شیمی‌های مختلفی را نشان می‌دادند و روش‌های مختلفی برای تخریب و از کار افتادن آنها وجود داشت." "ارزش این مطالعه این است که سیگنال‌هایی را به ما ارائه داد که مشخصه عملکرد باتری‌های مختلف هستند."

پالسون گفت، مطالعه بیشتر در این زمینه می‌تواند آینده باتری‌های لیتیوم-یونی را هدایت کند. او گفت: «یکی از کارهایی که می‌توانیم انجام دهیم این است که الگوریتم را بر اساس یک شیمی شناخته‌شده آموزش دهیم و از آن بخواهیم که بر اساس یک شیمی ناشناخته پیش‌بینی کند.» «اساساً، این الگوریتم ممکن است ما را در جهت شیمی‌های جدید و بهبودیافته‌ای که طول عمر بیشتری ارائه می‌دهند، راهنمایی کند.»

پالسون معتقد است که به این ترتیب، الگوریتم یادگیری ماشین می‌تواند توسعه و آزمایش مواد باتری را تسریع کند. ​"فرض کنید یک ماده جدید دارید و آن را چند بار چرخه‌بندی می‌کنید. می‌توانید از الگوریتم ما برای پیش‌بینی طول عمر آن استفاده کنید و سپس تصمیم بگیرید که آیا می‌خواهید به چرخه‌بندی تجربی آن ادامه دهید یا خیر."

بابنک افزود: «اگر شما یک محقق در آزمایشگاه هستید، می‌توانید مواد بسیار بیشتری را در مدت زمان کوتاه‌تری کشف و آزمایش کنید، زیرا روش سریع‌تری برای ارزیابی آنها دارید.»

مقاله‌ای بر اساس این مطالعه، ​"مهندسی ویژگی برای یادگیری ماشین، پیش‌بینی زودهنگام طول عمر باتری را ممکن ساخت«در نسخه آنلاین ۲۵ فوریه مجله منابع قدرت منتشر شد.»

علاوه بر پالسون و بابینک، دیگر نویسندگان این مقاله عبارتند از جوزف کوبال از آرگون، لوگان وارد، سوراب ساکسنا و ونکوان لو.

این مطالعه با کمک هزینه تحقیق و توسعه تحت هدایت آزمایشگاه آرگون (LDRD) تأمین مالی شده است.