Не совсем настоящий искусственный интеллект, как в кино, но уже самостоятельный и самообучаемый алгоритм замечен в аккумуляторной промышленности.
👇 Инженеры говорят, что нейросеть быстрее находит новые химические составы, чем при грубых человеческих исследованиях. Крупнейшие компании в Азии уже так поднимают скорость зарядки, ёмкость и безопасность литий-ионных и натрий-ионных аккумуляторов.
ИИ Dragonfly на платформе Clio получил 6 непревзойдённых электролитов за 2 дня
Подробности изложили учёные в исследовании «Автономная оптимизация неводных электролитов литий-ионных аккумуляторов посредством роботизированных экспериментов и сочетания машинного обучения», опубликованном в Nature Communications [источник].
Используется роботизированная платформу Clio под управлением ИИ Dragonfly. Этот симбиоз автономно подбирает лучшее сочетание компонентов, материалов, растворов, соединений для аккумуляторов.
Например, система самостоятельно без участия человека экспериментировала с солью лития гексафторфосфата и растворителями этиленкарбоната, этил-метилкарбоната и диметилкарбоната. Эти компоненты образуют жидкий электролит, в котором перемещаются ионы лития, перенося электрический заряд.
За 42 эксперимента длительностью два рабочих дня система самостоятельно нашла шесть электролитов, которые позволяют заряжать аккумулятор быстрее, чем с традиционным составом электролита. Этот подход обнаружил новую химию в шесть раз быстрее, чем если бы его искали случайным образом обычные научные сотрудники и исследователи-люди.
Найдено 4 эффективных соединения из 25000 для стабилизации Натрий-ионных батарей
Это не единственный пример применения ИИ в области аккумуляторов. В другом исследовании, опубликованном в журнале Joule [источник], корейские учёные Школы передового материаловедения и инженерии Университета Сунгюнкван использовали ИИ для оптимизации натрий-ионных аккумуляторов (sodium-ion или Na-ion).
Этот новый тип химии предполагается как более дешёвая и экологичная альтернатива литий-ионной технологии. ИИ помог им найти оптимальную температуру для работы Na-ion-аккумуляторов, а также предсказать их поведение при разных условиях.
Так было предсказано 25000 моделей поведения натрий-ионных ячеек при различных условиях. Это позволило автоматически без участия людей выявить 4 наиболее эффективных соединения для твердотельного электролита (NaPb3, Na3BiO3, Na2MoO4 , NaMoF6).
💬 «Да кому это нужно? Производители только и хотят сделать больше прибыли на быстро умирающих батарейках!»
Есть интересный документальный фильм о том, как некоторые компании используют практику планового устаревания, чтобы заставить потребителей покупать новые товары чаще: «Эффект лампочки» (2010-й год, Франция/Испания). На YouTube есть его перевод на русский язык.
Мы не думаем, что это относится ко всем производителям аккумуляторов или даже электроники. Есть такое понятие, как «уникальное торговое предложение». Например, ваши конкуренты практикуют неэтичные вещи, описанные в фильме, тогда как вы можете перехватить у него инициативу и предложить более интересный товар, который служит гарантированно долго.
Хорошему и надёжному товару легче давать длительную гарантию, и его потому будут чаще покупать. Но в мире аккумуляторов это очень сложно сделать. Учёные как раз и занимаются исследованиями, как получить более надёжный и ёмкий аккумулятор, чем у конкурентов и чем это позволяют существующие технологии.
Но и сейчас у некоторых производителей аккумуляторы работают долго и надёжно. И предусматривается утилизационная судьба, когда их можно использовать в менее требовательных устройствах (фонарики) или переработать (как в Китае).
***
Использование ИИ уже помогает инженерам. Они просчитывают модели поведения десятков и даже сотен соединений различных материалов в электродах, электролитах и даже в электронных компонентах.
И готовые изделия подвергают анализу нейросетями. Это помогает получить предельные характеристики выпускаемых элементов на основе больших данных исследований (теоретическую максимальную скорость зарядки, предел напряжения с влиянием на ёмкость, стабильность длительных нагрузок и безопасность). Машинные алгоритмы уже сократили время и затраты всем гигантам аккумуляторной индустрии без исключения.
📃 Источники:
- «Автономная оптимизация неводных электролитов литий-ионных аккумуляторов посредством роботизированных экспериментов и сочетания машинного обучения» [страница, есть PDF-версия].
- «Открытие твердотельных электролитов для натрий-ионных аккумуляторов с помощью машинного обучения» [https://doi.org/10.1016/j.matlet.2023.134848].
- Изображения созданы при помощи нейросети Stable Diffusion, фотоснимков аккумуляторов с нашего производства и ручной ретуши в редакторе.