Gunigunihin ang isang saykiko na nagsasabi sa iyong mga magulang, sa araw ng iyong kapanganakan, kung gaano katagal ka mabubuhay. Posible ang katulad na karanasan para sa mga chemist ng baterya na gumagamit ng mga bagong modelo ng komputasyon upang kalkulahin ang tagal ng buhay ng baterya batay sa kasingliit ng isang siklo ng datos ng eksperimento.

Sa isang bagong pag-aaral, ginamit ng mga mananaliksik sa Argonne National Laboratory ng US Department of Energy (DOE) ang kapangyarihan ng machine learning upang mahulaan ang haba ng buhay ng iba't ibang kemistri ng baterya. Gamit ang mga datos na nakalap sa Argonne na may 300 baterya na kumakatawan sa anim na magkakaibang kemistri ng baterya, matutukoy nang tumpak ng mga siyentipiko kung gaano katagal magpapatuloy ang pag-ikot ng iba't ibang baterya.

Gumamit ang mga mananaliksik ng Argonne ng mga modelo ng machine learning upang makagawa ng mga hula sa buhay ng ikot ng baterya para sa iba't ibang uri ng kemistri. (Larawan ni Shutterstock/Sealstep.)

Sa isang algorithm ng machine learning, sinasanay ng mga siyentipiko ang isang programa sa computer upang gumawa ng mga hinuha batay sa isang paunang hanay ng datos, at pagkatapos ay kinukuha ang natutunan nito mula sa pagsasanay na iyon upang gumawa ng mga desisyon sa isa pang hanay ng datos.

“Para sa bawat iba't ibang uri ng aplikasyon ng baterya, mula sa mga cell phone hanggang sa mga de-kuryenteng sasakyan hanggang sa grid storage, ang tagal ng buhay ng baterya ay napakahalaga para sa bawat mamimili,” sabi ng siyentipikong computational ng Argonne na si Noah Paulson, isang may-akda ng pag-aaral. ​“Ang pangangailangang i-cycle ang isang baterya nang libu-libong beses hanggang sa ito ay masira ay maaaring tumagal ng maraming taon; ang aming pamamaraan ay lumilikha ng isang uri ng computational test kitchen kung saan mabilis naming matutukoy kung paano gagana ang iba't ibang baterya.”

“Sa ngayon, ang tanging paraan upang masuri kung paano kumukupas ang kapasidad ng isang baterya ay ang aktwal na pag-ikot ng baterya,” dagdag ng electrochemist ng Argonne na si Susan ​“Sue” Babinec, isa pang may-akda ng pag-aaral. ​“Napakamahal nito at matagal itong nagagawa.”

Ayon kay Paulson, ang proseso ng pagtatatag ng tagal ng buhay ng baterya ay maaaring maging mahirap. ​“Ang totoo ay ang mga baterya ay hindi nagtatagal magpakailanman, at kung gaano katagal ang mga ito ay nakasalalay sa paraan ng paggamit natin sa mga ito, pati na rin sa kanilang disenyo at kemistri,” aniya. ​“Hanggang ngayon, wala pa talagang magandang paraan upang malaman kung gaano katagal ang isang baterya. Gugustuhin ng mga tao na malaman kung gaano katagal ang mga ito bago sila gumastos ng pera sa isang bagong baterya.”

Isang natatanging aspeto ng pag-aaral ay ang pagdepende nito sa malawak na eksperimental na gawaing ginawa sa Argonne sa iba't ibang materyales ng cathode ng baterya, lalo na ang patentadong cathode na nakabatay sa nickel-manganese-cobalt (NMC) ng Argonne. ​"Mayroon kaming mga baterya na kumakatawan sa iba't ibang kemistri, na may iba't ibang paraan ng pagkasira at pagbagsak ng mga ito," sabi ni Paulson. ​"Ang halaga ng pag-aaral na ito ay nagbigay ito sa amin ng mga senyales na katangian ng kung paano gumagana ang iba't ibang baterya."

Ang karagdagang pag-aaral sa larangang ito ay may potensyal na gabayan ang kinabukasan ng mga bateryang lithium-ion, sabi ni Paulson. ​"Isa sa mga bagay na magagawa natin ay ang sanayin ang algorithm sa isang kilalang kimika at hayaan itong gumawa ng mga hula sa isang hindi kilalang kimika," aniya. ​"Sa esensya, ang algorithm ay maaaring makatulong na ituro sa atin ang direksyon ng bago at pinahusay na mga kimika na nag-aalok ng mas mahabang buhay."

Sa ganitong paraan, naniniwala si Paulson na maaaring mapabilis ng algorithm ng machine learning ang pagbuo at pagsubok ng mga materyales ng baterya. ​"Sabihin nating mayroon kang isang bagong materyal, at inulit mo ito nang ilang beses. Maaari mong gamitin ang aming algorithm upang mahulaan ang tagal nito, at pagkatapos ay gumawa ng mga desisyon kung gusto mong ipagpatuloy ang pag-eeksperimento o hindi."

"Kung ikaw ay isang mananaliksik sa isang laboratoryo, mas marami kang matutuklasan at masusubukang mga materyales sa mas maikling panahon dahil mas mabilis ang paraan mo para suriin ang mga ito," dagdag ni Babinec.

Isang papel batay sa pag-aaral, ​"Ang feature engineering para sa machine learning ay nagbibigay-daan sa maagang paghula ng buhay ng baterya,” lumabas sa online na edisyon ng Journal of Power Sources noong Pebrero 25.

Bukod kina Paulson at Babinec, kabilang sa iba pang mga may-akda ng papel sina Joseph Kubal ng Argonne, Logan Ward, Saurabh Saxena at Wenquan Lu.

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