Les performances de la batterie peuvent faire ou défaire l'expérience du véhicule électrique, de l'autonomie au temps de charge en passant par la durée de vie de la voiture. Maintenant, l'intelligence artificielle a fait des rêves comme recharger un VE dans le temps qu'il faut pour s'arrêter à une station-service une réalité plus probable, et pourrait aider à améliorer d'autres aspects de la technologie des batteries.

Depuis des décennies, les progrès des batteries de véhicules électriques ont été limités par un goulot d'étranglement majeur :les délais d'évaluation. A chaque étape du processus de développement de la batterie, les nouvelles technologies doivent être testées pendant des mois, voire des années, pour déterminer leur durée de vie. Mais maintenant, une équipe dirigée par les professeurs de Stanford Stefano Ermon et William Chueh a développé une méthode basée sur l'apprentissage automatique qui réduit ces temps de test de 98%. Bien que le groupe ait testé sa méthode sur la vitesse de charge de la batterie, ils ont dit qu'il peut être appliqué à de nombreuses autres parties du pipeline de développement de batteries et même à des technologies non énergétiques.

"Dans les tests de batterie, il faut essayer un tas de choses, parce que les performances que vous obtiendrez varieront considérablement, " dit Ermon, professeur assistant en informatique. "Avec l'IA, nous sommes en mesure d'identifier rapidement les approches les plus prometteuses et d'éliminer de nombreuses expériences inutiles."

L'étude, publié par La nature le 19 février faisait partie d'une collaboration plus large entre des scientifiques de Stanford, Le MIT et le Toyota Research Institute qui font le pont entre la recherche universitaire fondamentale et les applications industrielles du monde réel. L'objectif :trouver la meilleure méthode pour charger une batterie de VE en 10 minutes qui maximise la durée de vie globale de la batterie. Les chercheurs ont écrit un programme qui, sur la base de quelques cycles de charge seulement, prédit comment les batteries réagiraient à différentes approches de charge. Le logiciel a également décidé en temps réel sur quelles approches de charge se concentrer ou ignorer. En réduisant à la fois la durée et le nombre d'essais, les chercheurs ont réduit le processus de test de près de deux ans à 16 jours.

« Nous avons trouvé comment accélérer considérablement le processus de test pour une charge extrêmement rapide, " dit Pierre Attia, qui a codirigé l'étude alors qu'il était étudiant diplômé. "Ce qui est vraiment excitant, bien que, est la méthode. Nous pouvons appliquer cette approche à de nombreux autres problèmes qui, à l'heure actuelle, retardent le développement des batteries pendant des mois ou des années."

Une approche plus intelligente du test de batterie

Concevoir des batteries à charge ultra-rapide est un enjeu majeur, principalement parce qu'il est difficile de les faire durer. L'intensité de la charge plus rapide exerce une plus grande pression sur la batterie, ce qui provoque souvent un échec précoce. Pour éviter d'endommager la batterie, un composant qui représente une grande partie du coût total d'une voiture électrique, les ingénieurs de batteries doivent tester une série exhaustive de méthodes de charge pour trouver celles qui fonctionnent le mieux.

La nouvelle recherche a cherché à optimiser ce processus. Au départ, l'équipe a constaté que l'optimisation de la charge rapide se résumait à de nombreux tests d'essais et d'erreurs, ce qui est inefficace pour les humains, mais le problème parfait pour une machine.

"L'apprentissage automatique est un essai et une erreur, mais d'une manière plus intelligente, " a déclaré Aditya Grover, un étudiant diplômé en informatique qui a codirigé l'étude. « Les ordinateurs sont bien meilleurs que nous pour savoir quand explorer, essayer des approches nouvelles et différentes, et quand exploiter, ou à zéro, sur les plus prometteurs."

L'équipe a utilisé ce pouvoir à son avantage de deux manières principales. D'abord, ils l'ont utilisé pour réduire le temps par expérience de cyclisme. Dans une étude précédente, les chercheurs ont découvert qu'au lieu de charger et de recharger chaque batterie jusqu'à ce qu'elle tombe en panne - la manière habituelle de tester la durée de vie d'une batterie - ils pouvaient prédire combien de temps une batterie durerait après seulement ses 100 premiers cycles de charge. C'est parce que le système d'apprentissage automatique, après avoir été formé sur quelques batteries cyclées jusqu'à l'échec, pourrait trouver des modèles dans les premières données qui présageaient combien de temps durerait une batterie.

Seconde, l'apprentissage automatique a réduit le nombre de méthodes à tester. Au lieu de tester toutes les méthodes de charge possibles de manière égale, ou se fier à l'intuition, l'ordinateur a appris de ses expériences pour trouver rapidement les meilleurs protocoles à tester.

En testant moins de méthodes pour moins de cycles, les auteurs de l'étude ont rapidement trouvé un protocole de charge ultra-rapide optimal pour leur batterie. En plus d'accélérer considérablement le processus de test, la solution de l'ordinateur était également meilleure - et beaucoup plus inhabituelle - que ce qu'un scientifique de la batterie aurait probablement imaginé, dit Ermon.

"Cela nous a donné ce protocole de charge étonnamment simple - quelque chose auquel nous ne nous attendions pas, " dit Ermon. Au lieu de charger au courant le plus élevé au début de la charge, la solution de l'algorithme utilise le courant le plus élevé au milieu de la charge. "C'est la différence entre un humain et une machine :la machine n'est pas biaisée par l'intuition humaine, ce qui est puissant mais parfois trompeur."

Applications plus larges

Les chercheurs ont déclaré que leur approche pourrait accélérer presque chaque élément du pipeline de développement de la batterie :de la conception de la chimie d'une batterie à la détermination de sa taille et de sa forme, pour trouver de meilleurs systèmes de fabrication et de stockage. Cela aurait de vastes implications non seulement pour les véhicules électriques mais pour d'autres types de stockage d'énergie, une exigence clé pour passer à l'éolien et au solaire à l'échelle mondiale.

« C'est une nouvelle façon de développer des batteries, " a déclaré Patrick Herring, co-auteur de l'étude et scientifique au Toyota Research Institute. "Avoir des données que vous pouvez partager avec un grand nombre de personnes dans les universités et l'industrie, et qui est automatiquement analysé, permet une innovation beaucoup plus rapide."

Le système d'apprentissage automatique et de collecte de données de l'étude sera mis à la disposition des futurs scientifiques des batteries pour une utilisation gratuite, Hareng ajouté. En utilisant ce système pour optimiser d'autres parties du processus avec l'apprentissage automatique, développement de la batterie et l'arrivée de nouvelles, de meilleures technologies - pourraient accélérer d'un ordre de grandeur ou plus, il a dit.

Le potentiel de la méthode d'étude s'étend même au-delà du monde des batteries, dit Ermon. Autres problèmes de test de Big Data, du développement de médicaments à l'optimisation des performances des rayons X et des lasers, pourrait également être révolutionné par l'utilisation de l'optimisation de l'apprentissage automatique. Et ultimement, il a dit, cela pourrait même aider à optimiser l'un des processus les plus fondamentaux de tous.

"Le plus grand espoir est d'aider le processus de découverte scientifique lui-même, " a dit Ermon. " Nous demandons :Pouvons-nous concevoir ces méthodes pour proposer des hypothèses automatiquement ? Peuvent-ils nous aider à extraire des connaissances que les humains ne pourraient pas ? Au fur et à mesure que nous obtenons des algorithmes de mieux en mieux, nous espérons que l'ensemble du processus de découverte scientifique pourra considérablement s'accélérer."