O desempenho da bateria pode fazer ou quebrar a experiência do veículo elétrico, desde o campo de treino até o tempo de carregamento e a vida útil do carro. Agora, a inteligência artificial tornou os sonhos de recarregar um VE no tempo que leva para parar em um posto de gasolina uma realidade mais provável, e pode ajudar a melhorar outros aspectos da tecnologia da bateria.

Por décadas, os avanços nas baterias de veículos elétricos têm sido limitados por um grande gargalo:os tempos de avaliação. Em cada estágio do processo de desenvolvimento da bateria, novas tecnologias devem ser testadas por meses ou mesmo anos para determinar quanto tempo irão durar. Mas agora, uma equipe liderada pelos professores de Stanford Stefano Ermon e William Chueh desenvolveu um método baseado em aprendizado de máquina que reduz o tempo de teste em 98 por cento. Embora o grupo tenha testado seu método na velocidade de carga da bateria, eles disseram que pode ser aplicado a várias outras partes do pipeline de desenvolvimento de baterias e até mesmo a tecnologias não energéticas.

"No teste de bateria, você tem que tentar um grande número de coisas, porque o desempenho que você obtém varia drasticamente, "disse Ermon, professor assistente de ciência da computação. "Com IA, somos capazes de identificar rapidamente as abordagens mais promissoras e eliminar muitos experimentos desnecessários. "

O estudo, publicado por Natureza em 19 de fevereiro, fez parte de uma colaboração maior entre cientistas de Stanford, O MIT e o Toyota Research Institute, que unem a pesquisa acadêmica básica às aplicações da indústria do mundo real. O objetivo:encontrar o melhor método para carregar uma bateria EV em 10 minutos que maximize a vida útil geral da bateria. Os pesquisadores escreveram um programa que, com base em apenas alguns ciclos de carregamento, previu como as baterias responderiam a diferentes abordagens de carregamento. O software também decidiu em tempo real quais abordagens de carregamento deveriam ser focadas ou ignoradas. Ao reduzir a duração e o número de tentativas, os pesquisadores reduziram o processo de teste de quase dois anos para 16 dias.

"Descobrimos como acelerar bastante o processo de teste para carregamento extremamente rápido, "disse Peter Attia, que co-liderou o estudo enquanto ele era um estudante de graduação. "O que é realmente empolgante, no entanto, é o método. Podemos aplicar essa abordagem a muitos outros problemas que, agora mesmo, estão atrasando o desenvolvimento da bateria por meses ou anos. "

Uma abordagem mais inteligente para teste de bateria

Projetar baterias de carregamento ultrarrápido é um grande desafio, principalmente porque é difícil fazê-los durar. A intensidade da carga mais rápida coloca maior pressão na bateria, o que muitas vezes faz com que ele falhe mais cedo. Para evitar esse dano à bateria, um componente que representa uma grande parte do custo total de um carro elétrico, os engenheiros de bateria devem testar uma série exaustiva de métodos de carregamento para encontrar aqueles que funcionam melhor.

A nova pesquisa buscou otimizar esse processo. No início, a equipe viu que a otimização de carregamento rápido equivalia a muitos testes de tentativa e erro, algo que é ineficiente para humanos, mas o problema perfeito para uma máquina.

"O aprendizado de máquina é uma tentativa e erro, mas de uma forma mais inteligente, "disse Aditya Grover, um estudante de graduação em ciência da computação que co-liderou o estudo. "Os computadores são muito melhores do que nós para descobrir quando explorar - tentar abordagens novas e diferentes - e quando explorar, ou zero em, nos mais promissores. "

A equipe usou esse poder a seu favor de duas maneiras principais. Primeiro, eles o usaram para reduzir o tempo por experimento de ciclismo. Em um estudo anterior, os pesquisadores descobriram que, em vez de carregar e recarregar todas as baterias até que falhasse - a maneira usual de testar a vida útil de uma bateria -, eles podiam prever quanto tempo uma bateria duraria após apenas seus primeiros 100 ciclos de carga. Isso ocorre porque o sistema de aprendizado de máquina, depois de ser treinado com algumas baterias em ciclo até a falha, poderia encontrar padrões nos primeiros dados que pressagiavam quanto tempo uma bateria duraria.

Segundo, o aprendizado de máquina reduziu o número de métodos que eles tiveram que testar. Em vez de testar todos os métodos de cobrança possíveis igualmente, ou confiando na intuição, o computador aprendeu com suas experiências a encontrar rapidamente os melhores protocolos para testar.

Ao testar menos métodos para menos ciclos, os autores do estudo encontraram rapidamente um protocolo de carregamento ultrarrápido ideal para sua bateria. Além de acelerar drasticamente o processo de teste, a solução do computador também era melhor - e muito mais incomum - do que o que um cientista de bateria provavelmente teria concebido, disse Ermon.

"Isso nos deu um protocolo de carregamento surpreendentemente simples, algo que não esperávamos, "Disse Ermon. Em vez de carregar na corrente mais alta no início da carga, a solução do algoritmo usa a corrente mais alta no meio da carga. "Essa é a diferença entre um humano e uma máquina:a máquina não é influenciada pela intuição humana, o que é poderoso, mas às vezes enganoso. "

Aplicativos mais amplos

Os pesquisadores disseram que sua abordagem pode acelerar quase todas as peças do pipeline de desenvolvimento de baterias:desde o projeto da química de uma bateria até a determinação de seu tamanho e forma, para encontrar melhores sistemas para fabricação e armazenamento. Isso teria amplas implicações não apenas para veículos elétricos, mas para outros tipos de armazenamento de energia, um requisito fundamental para fazer a mudança para a energia eólica e solar em escala global.

"Esta é uma nova maneira de desenvolver baterias, "disse Patrick Herring, co-autor do estudo e cientista do Toyota Research Institute. "Ter dados que você pode compartilhar com um grande número de pessoas na academia e na indústria, e isso é analisado automaticamente, permite uma inovação muito mais rápida. "

O sistema de aprendizado de máquina e coleta de dados do estudo será disponibilizado para uso livre por futuros cientistas de baterias, Herring acrescentou. Ao usar este sistema para otimizar outras partes do processo com aprendizado de máquina, desenvolvimento de bateria - e a chegada de mais novos, melhores tecnologias - poderiam acelerar em uma ordem de magnitude ou mais, ele disse.

O potencial do método de estudo vai além do mundo das baterias, Disse Ermon. Outros problemas de teste de Big Data, desde o desenvolvimento de medicamentos até a otimização do desempenho de raios-X e lasers, também pode ser revolucionado pelo uso da otimização do aprendizado de máquina. E finalmente, ele disse, pode até ajudar a otimizar um dos processos mais fundamentais de todos.

“A maior esperança é ajudar o próprio processo de descoberta científica, "Ermon disse." Estamos perguntando:podemos projetar esses métodos para criar hipóteses automaticamente? Eles podem nos ajudar a extrair conhecimento que os humanos não poderiam? À medida que obtemos algoritmos cada vez melhores, esperamos que todo o processo de descoberta científica possa acelerar drasticamente. "