Usando inteligencia artificial, un equipo de investigación liderado por la Universidad de Stanford ha reducido los tiempos de prueba de las baterías, una barrera clave para baterías de mayor duración y carga más rápida para vehículos eléctricos, en casi un 98 %.
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 Stanford Stefano Ermon y William Chueh ha desarrollado un método basado en el aprendizaje automático que reduce estos tiempos de prueba en un 98%.
"En las pruebas de batería, debes 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 Nature, forma parte de una colaboración más amplia entre científicos de Stanford, el MIT y el Instituto de Investigación Toyota que une la investigación académica fundamental 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 enfocar 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 de grado. “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
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 esto, un componente que representa una gran parte del costo total de un automóvil eléctrico, los ingenieros 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 aprendizaje automático es prueba y error, pero de una manera más inteligente", dijo Aditya Grover, una estudiante graduada en ciencias de la computación que también dirigió 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".
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. "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".
Los investigadores dijeron que su enfoque podría acelerar casi cada pieza en el proceso de desarrollo de la batería: desde diseñar la química de una batería hasta determinar su tamaño y forma o 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 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 aprendizaje automático 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 aprendizaje automático, el desarrollo de la batería y la llegada de nuevas tecnologías mejores podrían acelerarse en gran medida, dijo.
Deja tu comentario
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios