- Исследователи из Мичиганского университета разработали метод Discovery Learning, позволяющий предсказывать срок службы литий-ионных батарей по данным всего 50 циклов зарядки-разрядки.
- Новый метод сокращает время тестирования с нескольких месяцев или года до одной недели, экономя при этом до 98% времени и 95% энергозатрат.
- Discovery Learning сочетает активное обучение, учёт физических ограничений и обучение без примеров для прогнозирования характеристик незнакомых конструкций батарей.
Команда учёных из Мичиганского университета представила в журнале Nature инновационный метод Discovery Learning, который значительно ускоряет процесс оценки срока службы литий-ионных аккумуляторов. В отличие от традиционных испытаний, требующих полного прохождения порядка 2500 циклов зарядки-разрядки — что может занимать месяцы или даже год — новый подход позволяет получить предсказания на основе первых 50 циклов. Это сокращает время тестирования примерно в 50 раз, при этом погрешность оценки срока службы составляет около 7,2%.
Традиционные методы подразумевают длительное тестирование каждого прототипа до полного износа. Discovery Learning же использует данные из первых циклов части образцов и обучается на крупных публичных наборах данных по различным типам литий-ионных ячеек. Затем полученные знания переносится на новые конструкции с минимальным количеством дополнительных экспериментов. Такой подход позволяет значительно снизить энергозатраты на тестирование, которые, по оценкам экспертов, только с 2023 по 2040 год могли бы достигнуть 130 000 ГВт·ч — примерно половины годовой выработки электростанций Калифорнии.
Название метода отсылает к одноимённой теории из педагогики и подразумевает цикл рассуждений, имитирующий научное исследование. В алгоритм включены три ключевых компонента: активное обучение, позволяющее системе самостоятельно выбирать, какие эксперименты проводить; обучение с учётом физических законов деградации батарей; а также обучение с нулевым количеством примеров для предсказания свойств неизученных ранее конструкций. Для валидации использовался датасет из 123 промышленных литий-ионных ячеек с различными материалами и протоколами тестирования.
Эксперты отмечают, что этот метод способен устранить главные ограничения текущих алгоритмов машинного обучения в области разработки аккумуляторов, поскольку позволяет делать прогнозы на ранних стадиях проектирования, когда конструкция батареи может быть скорректирована. Это особенно важно для быстрорастущего рынка литий-ионных батарей, оценённого сегодня примерно в 120 миллиардов долларов и прогнозируемого к росту до 500 миллиардов долларов к 2030 году.
