Usando inteligencia artificial, un equipo de investigación dirigido por Stanford University y Toyota, ha reducido los tiempos de prueba de baterías, una barrera clave para conseguir baterías de mayor duración y carga más rápida para vehículos eléctricos, en casi quince veces
El rendimiento de la batería puede hacer o deshacer la experiencia del vehículo eléctrico, desde el rango de conducción hasta el tiempo de carga y la vida útil del automóvil. Ahora, la inteligencia artificial ha hecho que los sueños como recargar un EV en el tiempo que se tarda en detenerse en una estación de servicio sea una realidad más probable, y podría ayudar a mejorar otros aspectos de la tecnología de la batería.
Durante décadas, los avances en las baterías de vehículos eléctricos se han visto limitados por un importante cuello de botella: los tiempos de evaluación. En cada etapa del proceso de desarrollo de la batería, las nuevas tecnologías deben probarse durante meses o incluso años para determinar cuánto durarán. Pero ahora, un equipo dirigido por los profesores de la Universidad de Stanford Stefano Ermon y William Chueh han desarrollado un método basado en el Machine Learning que reduce estos tiempos de prueba en un 98 por ciento. Aunque el grupo probó su método en la velocidad de carga de la batería, dijeron que se puede aplicar a muchas otras área de desarrollo de la batería e incluso en tecnologías que no sean energéticas.
“En las pruebas de batería, tienes que probar una gran cantidad de cosas, porque el rendimiento que obtienes variará drásticamente”, dijo Ermon, profesor asistente de ciencias de la computación. “Con AI, podemos identificar rápidamente los enfoques más prometedores y eliminar muchos experimentos innecesarios”.
El estudio, publicado por la revista Nature en febrero, fue parte de una colaboración más amplia entre científicos de Stanford, MIT y el Toyota Research Institute que une la investigación académica teórica y las aplicaciones de la industria del mundo real.
El objetivo: encontrar el mejor método para cargar una batería EV en 10 minutos que maximice la vida útil general de la batería. Los investigadores escribieron un programa que, basado en solo unos pocos ciclos de carga, predecía cómo las baterías responderían a diferentes enfoques de carga. El software también decidió en tiempo real qué enfoques de carga priorizar o ignorar. Al reducir tanto la duración como el número de ensayos, los investigadores redujeron el proceso de prueba de casi dos años a 16 días.
“Descubrimos cómo acelerar en gran medida el proceso de prueba para una carga extremadamente rápida”, dijo Peter Attia, quien codirigió el estudio cuando era un estudiante graduado. “Sin embargo, lo que es realmente emocionante es el método. Podemos aplicar este enfoque a muchos otros problemas que, en este momento, están frenando el desarrollo de la batería durante meses o años”.
Un enfoque más inteligente para las pruebas de batería
Diseñar baterías de carga ultrarrápida es un gran desafío, principalmente porque es difícil hacer que duren. La intensidad de la carga más rápida ejerce una mayor presión sobre la batería, lo que a menudo hace que falle antes de tiempo. Para evitar este daño en la batería, un componente que representa una gran parte del costo total de un automóvil eléctrico, los ingenieros de baterías deben probar una serie exhaustiva de métodos de carga para encontrar los que funcionan mejor.
La nueva investigación buscó optimizar este proceso. Al principio, el equipo vio que la optimización de carga rápida equivalía a muchas pruebas de prueba y error, algo que es ineficiente para los humanos, pero el problema perfecto para una máquina.
“El Machine Learning es prueba y error, pero de una manera más inteligente”, dijo Aditya Grover, una estudiante graduada en ciencias de la computación que también trabajó en el estudio. “Las computadoras son mucho mejores que nosotros para determinar cuándo explorar, probar enfoques nuevos y diferentes, y cuándo explotar, o concentrarse, en los más prometedores”.
El equipo usó este poder para su ventaja de dos maneras clave. Primero, lo usaron para reducir el tiempo por experimento de los ciclos. En un estudio anterior, los investigadores descubrieron que en lugar de cargar y recargar cada batería hasta que fallara, la forma habitual de probar la vida útil de una batería, podían predecir cuánto duraría una batería después de solo sus primeros 100 ciclos de carga. Esto se debe a que el sistema de Machine Leaning, después de haber sido entrenado con algunas baterías en ciclo hasta el fallo, podría encontrar patrones en los primeros datos que predecían cuánto tiempo durarían las baterías.
En segundo lugar, el Machine Learning redujo la cantidad de métodos que tenían que probar. En lugar de probar todos los métodos de carga posibles por igual, o confiar en la intuición, la computadora aprendió de sus experiencias para encontrar rápidamente los mejores protocolos.
Al probar menos métodos para menos ciclos, los autores del estudio encontraron rápidamente un protocolo óptimo de carga ultrarrápida para su batería. Además de acelerar drásticamente el proceso de prueba, la solución de la computadora también fue mejor, y mucho más inusual, de lo que un científico de la batería probablemente habría ideado, dijo Ermon.
“Nos dio este protocolo de carga sorprendentemente simple, algo que no esperábamos”, dijo Ermon. En lugar de cargar a la corriente más alta al comienzo de la carga, la solución del algoritmo usa la corriente más alta en el medio de la carga. “Esa es la diferencia entre un humano y una máquina: la máquina no está sesgada por la intuición humana, que es poderosa pero a veces engañosa”.
Aplicaciones más amplias
Los investigadores dijeron que su enfoque podría acelerar casi todas las piezas del desarrollo de la batería: desde diseñar la química de una batería hasta determinar su tamaño y forma, hasta encontrar mejores sistemas para la fabricación y el almacenamiento. Esto tendría amplias implicaciones no solo para los vehículos eléctricos, sino también para otros tipos de almacenamiento de energía, un requisito clave para hacer el cambio a la energía eólica y solar a escala global.
“Esta es una nueva forma de desarrollar baterías”, dijo Patrick Herring, coautor del estudio y científico del Instituto de Investigación de Toyota. “Tener datos que puede compartir entre un gran número de personas en la academia y la industria, y que se analizan automáticamente, permite una innovación mucho más rápida”.
El sistema de Machine Learning y el sistema de recopilación de datos del estudio estarán disponibles para que los futuros científicos de baterías los utilicen libremente, agregó Herring. Al utilizar este sistema para optimizar otras partes del proceso con el Machine Learning, el desarrollo de la batería y la llegada de nuevas tecnologías mejores podrían acelerarse en un orden de magnitud o más, dijo.
El potencial del método del estudio se extiende incluso más allá del mundo de las baterías, dijo Ermon. Otros problemas de pruebas de big data, desde el desarrollo de fármacos hasta la optimización del rendimiento de rayos X y láser, también podrían revolucionarse mediante el uso de la optimización de Machine Learning. Y finalmente, dijo, incluso podría ayudar a optimizar uno de los procesos más fundamentales de todos.
“La mayor esperanza es ayudar al proceso de descubrimiento científico en sí mismo”, dijo Ermon. “Estamos preguntando: ¿podemos diseñar estos métodos para que planteen hipótesis automáticamente? ¿Pueden ayudarnos a extraer conocimiento que los humanos no podrían? A medida que obtengamos mejores algoritmos, esperamos que todo el proceso de descubrimiento científico se acelere drásticamente”.
Te puede interesar: Incrementan la seguridad y el rendimiento de las baterías de ion de litio
