Een onderzoeksteam van de Universiteit van Michigan heeft onlangs een nieuwe batterijtest- en evaluatietool uitgebracht die de bruikbare levensduur van een batterij in slechts ongeveer 50 laad- en ontlaadcycli kan schatten. Verwacht wordt dat dit de tijd en het energieverbruik die nodig zijn voor traditioneel testen met wel 95% zal verminderen. Vergeleken met het traditionele levensverificatieproces, dat vaak honderden of zelfs duizenden cycli vereist en vaak maanden of zelfs jaren in beslag neemt, wordt verwacht dat deze prestatie het ontwerp en de iteratie van nieuwe batterijen aanzienlijk zal versnellen.

Het systeem is ontwikkeld door het team van Ziyou Song, een assistent-professor bij de afdeling Electrical and Computer Engineering aan de Universiteit van Michigan, en Jiawei Zhang, een promovendus, en gepubliceerd in het tijdschrift Nature. De onderzoekers bouwden een raamwerk dat bestaat uit meerdere ‘agent’ AI-tools die samenwerken. Elke module gaat uit van een andere taakverdeling, het delen van gegevens, het testen van hypothesen en het voortdurend herzien van voorspellingsresultaten op een manier die vergelijkbaar is met de samenwerking tussen wetenschappelijke onderzoeksteams. Het project wordt gefinancierd door Farasis Energy USA, een Amerikaans batterijontwikkelingsbedrijf, en levert actuele cel- en bedrijfsgegevens aan het onderzoeksteam om de nauwkeurigheid van modelvoorspellingen te evalueren.

Dit AI-framework is gebaseerd op de onderwijsfilosofie van ‘ontdekkend leren’ om problemen op te lossen door middel van verkenning en ervaring. In het batterijscenario is AI als een ‘student’, die eerst leert van een grote hoeveelheid historische experimentele gegevens en vervolgens een kleine hoeveelheid nieuwe testresultaten en fysieke modellen combineert om een ​​verband te leggen tussen de vroege prestaties van de batterij en de laatste levenscyclus. Het onderzoeksteam verdeelde het totale proces in drie rollen: "leerling", "tolk" en "orakel": de leerling is verantwoordelijk voor het selecteren van batterijmonsters die moeten worden getest onder specifieke temperatuur- en stroomomstandigheden en het uitvoeren van een eerste test van ongeveer 50 cycli; de tolk gebruikt een simulator waarin fysieke mechanismen zijn ingebed om de gegevens te analyseren; het orakel integreert op basis hiervan bestaande kennis en doet voorspellingen voor de volledige levenscyclus.

Met de accumulatie van experimentele steekproeven zullen leerlingen doorgaan met het opnemen van de voorspellingsresultaten van het ‘orakel’ in hun eigen datasets, waardoor de nauwkeurigheid van het model geleidelijk wordt verbeterd. Nadat de training een bepaalde schaal heeft bereikt, kan het systeem conclusies trekken over de levensduur van nieuwe batterijen zonder het hele experimentele proces te herhalen. Het onderzoeksteam beschrijft dit vermogen als een vorm van 'autonoom wetenschappelijk redeneren'. In tegenstelling tot veel traditionele statistische modellen die zich alleen richten op elektrische signalen aan het oppervlak, zoals spanningscurven en laad- en ontlaadsnelheden, probeert deze methode diepere fysische en chemische parameters te analyseren, inclusief de gedragsveranderingen van elektrodematerialen onder hitte, stress en herhaalde cyclusomstandigheden.

De resultaten laten zien dat dit fysica-gestuurde raamwerk generaliseert over batterijvormfactoren. Hoewel het model alleen was getraind op gegevens van kleine cilindrische batterijen, was het nog steeds in staat om de prestaties van de grote zakbatterijen van Farasis met relatieve nauwkeurigheid te voorspellen. Er wordt aangenomen dat dit erop wijst dat het model tot op zekere hoogte de algemene wetten van het verouderingsproces van batterijen vastlegt, waardoor het voor praktische toepassingen mogelijk wordt om na een paar dagen testen betrouwbare schattingen van de levensduur te geven, terwijl traditionele duurzaamheidstests vaak moeten worden uitgebreid tot 1.000 cycli of zelfs langer.

Wat het energieverbruik betreft, wees de analyse van het team erop dat het gebruik van dit AI-systeem voor het voorspellen van levens slechts ongeveer 5% van het energieverbruik van conventionele tests in grote laboratoria vereist. Dit is vooral van cruciaal belang voor het onderzoek en de ontwikkeling van nieuwe materialen en nieuwe elektrodesystemen waarvoor een groot aantal monstertests nodig is. Verwacht wordt dat dit de experimentele kosten zal verlagen en het tijdsbestek tussen laboratorium en industrialisatie zal verkorten. Terwijl het huidige onderzoek zich richt op het voorspellen van de levensduur van de cyclus, zijn onderzoekers begonnen met het verkennen van uitgebreidere richtingen, waaronder het voorspellen van veiligheidslimieten, het optimaliseren van laadsnelheden en het screenen van geschiktere materiaalcombinaties voor de volgende generatie lithium-ionbatterijen.

De langetermijnvisie van het team reikt verder dan de batterij zelf. Omdat 'ontdekkend leren' als algemeen wetenschappelijk onderzoeksparadigma ook toepasbaar is op andere gebieden die langdurige en dure experimentele feedback vereisen, zijn onderzoekers van mening dat soortgelijke raamwerken naar verwachting in de toekomst zullen worden uitgebreid naar vele disciplines, zoals scheikunde en materiaalkunde, om het ontdekkings- en verificatieproces van nieuwe materialen en nieuwe processen te versnellen.