Isipin ang isang psychic na nagsasabi sa iyong mga magulang, sa araw na ikaw ay ipinanganak, kung gaano katagal ka mabubuhay.Posible ang isang katulad na karanasan para sa mga chemist ng baterya na gumagamit ng mga bagong computational na modelo upang kalkulahin ang tagal ng baterya batay sa kasing liit ng isang solong cycle ng pang-eksperimentong data.

Sa isang bagong pag-aaral, ang mga mananaliksik sa Argonne National Laboratory ng US Department of Energy (DOE) ay bumaling sa kapangyarihan ng machine learning upang mahulaan ang mga tagal ng buhay ng isang malawak na hanay ng iba't ibang chemistries ng baterya.Sa pamamagitan ng paggamit ng pang-eksperimentong data na nakalap sa Argonne mula sa isang set ng 300 na baterya na kumakatawan sa anim na magkakaibang chemistries ng baterya, matutukoy ng mga siyentipiko kung gaano katagal ang iba't ibang mga baterya ay patuloy na umiikot.

Gumamit ang mga mananaliksik ng Argonne ng mga modelo ng pag-aaral ng makina upang gumawa ng mga hula sa cycle ng buhay ng baterya para sa isang malawak na hanay ng iba't ibang chemistries.(Larawan ni Shutterstock/Sealstep.)

Sa isang algorithm sa pag-aaral ng makina, sinasanay ng mga siyentipiko ang isang computer program upang gumawa ng mga hinuha sa isang paunang hanay ng data, at pagkatapos ay kunin ang natutunan nito mula sa pagsasanay na iyon upang gumawa ng mga desisyon sa isa pang hanay ng data.

"Para sa bawat iba't ibang uri ng application ng baterya, mula sa mga cell phone hanggang sa mga de-koryenteng sasakyan hanggang sa grid storage, ang buhay ng baterya ay napakahalaga para sa bawat mamimili," sabi ni Argonne computational scientist na si Noah Paulson, isang may-akda ng pag-aaral.“Ang pagkakaroon ng pag-ikot ng baterya ng libu-libong beses hanggang sa ito ay mabigo ay maaaring tumagal ng mga taon;ang aming pamamaraan ay lumilikha ng isang uri ng computational test kitchen kung saan mabilis naming matutukoy kung paano gaganap ang iba't ibang mga baterya."

"Sa ngayon, ang tanging paraan upang suriin kung paano kumukupas ang kapasidad ng baterya ay ang aktwal na pag-ikot ng baterya," idinagdag ni Argonne electrochemist Susan ​"Sue" Babinec, isa pang may-akda ng pag-aaral."Napakamahal at tumatagal."

Ayon kay Paulson, ang proseso ng pagtatatag ng buhay ng baterya ay maaaring nakakalito."Ang katotohanan ay ang mga baterya ay hindi magtatagal magpakailanman, at kung gaano katagal ang mga ito ay depende sa paraan ng paggamit namin sa kanila, pati na rin ang kanilang disenyo at kanilang chemistry," sabi niya."Hanggang ngayon, wala talagang magandang paraan para malaman kung gaano katagal ang baterya.Gustong malaman ng mga tao kung gaano sila katagal hanggang sa kailangan nilang gumastos ng pera sa isang bagong baterya."

Ang isang natatanging aspeto ng pag-aaral ay umasa ito sa malawak na gawaing pang-eksperimentong ginawa sa Argonne sa iba't ibang materyales ng cathode ng baterya, lalo na ang patented na nickel-manganese-cobalt (NMC) na cathode na nakabatay sa Argonne."Mayroon kaming mga baterya na kumakatawan sa iba't ibang mga chemistries, na may iba't ibang paraan na sila ay magpapababa at mabibigo," sabi ni Paulson."Ang halaga ng pag-aaral na ito ay nagbigay ito sa amin ng mga signal na katangian kung paano gumaganap ang iba't ibang mga baterya."

Ang karagdagang pag-aaral sa lugar na ito ay may potensyal na gabayan ang hinaharap ng mga baterya ng lithium-ion, sinabi ni Paulson."Ang isa sa mga bagay na magagawa namin ay sanayin ang algorithm sa isang kilalang kimika at gawin itong mga hula sa isang hindi kilalang kimika," sabi niya."Mahalaga, ang algorithm ay maaaring makatulong na ituro sa amin ang direksyon ng bago at pinahusay na chemistries na nag-aalok ng mas mahabang buhay."

Sa ganitong paraan, naniniwala si Paulson na maaaring mapabilis ng machine learning algorithm ang pagbuo at pagsubok ng mga materyales ng baterya."Sabihin na mayroon kang isang bagong materyal, at iikot mo ito ng ilang beses.Maaari mong gamitin ang aming algorithm upang mahulaan ang kahabaan ng buhay nito, at pagkatapos ay gumawa ng mga pagpapasya kung gusto mong ipagpatuloy ito sa pag-eksperimento o hindi."

"Kung ikaw ay isang mananaliksik sa isang lab, maaari mong tuklasin at subukan ang marami pang mga materyales sa mas maikling panahon dahil mayroon kang mas mabilis na paraan upang suriin ang mga ito," dagdag ni Babinec.

Isang papel batay sa pag-aaral, "Pinagana ng feature engineering para sa machine learning ang maagang paghula ng tagal ng baterya,” ay lumabas sa Peb. 25 online na edisyon ng Journal of Power Sources.

Bilang karagdagan sa Paulson at Babinec, ang iba pang mga may-akda ng papel ay kinabibilangan nina Argonne's Joseph Kubal, Logan Ward, Saurabh Saxena at Wenquan Lu.

Ang pag-aaral ay pinondohan ng isang Argonne Laboratory-Directed Research and Development (LDRD) grant.