Bayangkan seorang psikik memberitahu ibu bapa anda, pada hari anda dilahirkan, berapa lama anda akan hidup. Pengalaman yang serupa mungkin berlaku bagi ahli kimia bateri yang menggunakan model pengiraan baharu untuk mengira jangka hayat bateri berdasarkan hanya satu kitaran data eksperimen.

Dalam satu kajian baharu, para penyelidik di Makmal Kebangsaan Argonne, Jabatan Tenaga AS (DOE) telah beralih kepada kuasa pembelajaran mesin untuk meramalkan jangka hayat pelbagai jenis kimia bateri yang berbeza. Dengan menggunakan data eksperimen yang dikumpulkan di Argonne daripada satu set 300 bateri yang mewakili enam kimia bateri yang berbeza, para saintis boleh menentukan dengan tepat berapa lama bateri yang berbeza akan terus berkitar.

Penyelidik Argonne telah menggunakan model pembelajaran mesin untuk membuat ramalan hayat kitaran bateri untuk pelbagai jenis kimia yang berbeza. (Imej oleh Shutterstock/Sealstep.)

Dalam algoritma pembelajaran mesin, saintis melatih program komputer untuk membuat inferens pada set data awal, dan kemudian mengambil apa yang telah dipelajari daripada latihan tersebut untuk membuat keputusan pada set data yang lain.

“Bagi setiap jenis aplikasi bateri yang berbeza, daripada telefon bimbit kepada kenderaan elektrik hinggalah storan grid, jangka hayat bateri adalah sangat penting bagi setiap pengguna,” kata saintis pengkomputeran Argonne, Noah Paulson, seorang penulis kajian tersebut. ​“Perlu mengitar semula bateri beribu-ribu kali sehingga ia rosak boleh mengambil masa bertahun-tahun; kaedah kami mencipta sejenis dapur ujian pengkomputeran di mana kami boleh menentukan dengan cepat bagaimana bateri yang berbeza akan berfungsi.”

“Buat masa ini, satu-satunya cara untuk menilai bagaimana kapasiti dalam bateri berkurangan adalah dengan mengitar semula bateri,” tambah ahli elektrokimia Argonne, Susan “Sue” Babinec, seorang lagi penulis kajian itu. “Ia sangat mahal dan mengambil masa yang lama.”

Menurut Paulson, proses menentukan jangka hayat bateri boleh menjadi rumit. ​“Hakikatnya ialah bateri tidak tahan selama-lamanya, dan berapa lama ia bertahan bergantung pada cara kita menggunakannya, serta reka bentuk dan kimianya,” katanya. ​“Sehingga kini, sebenarnya tiada cara yang baik untuk mengetahui berapa lama bateri akan bertahan. Orang ramai pasti ingin tahu berapa lama ia ada sehingga mereka terpaksa membelanjakan wang untuk bateri baharu.”

Satu aspek unik kajian ini ialah ia bergantung pada kerja eksperimen meluas yang dilakukan di Argonne pada pelbagai bahan katod bateri, terutamanya katod berasaskan nikel-mangan-kobalt (NMC) yang dipatenkan oleh Argonne. ​“Kami mempunyai bateri yang mewakili kimia yang berbeza, yang mempunyai cara berbeza untuk ia rosak dan gagal,” kata Paulson. ​“Nilai kajian ini ialah ia memberi kami isyarat yang menjadi ciri bagaimana bateri yang berbeza berfungsi.”

Kajian lanjut dalam bidang ini berpotensi untuk membimbing masa depan bateri litium-ion, kata Paulson. ​“Salah satu perkara yang dapat kami lakukan ialah melatih algoritma pada kimia yang diketahui dan membuatnya membuat ramalan pada kimia yang tidak diketahui,” katanya. ​“Pada asasnya, algoritma ini boleh membantu menunjukkan arah kimia baharu dan lebih baik yang menawarkan jangka hayat yang lebih lama.”

Dengan cara ini, Paulson percaya bahawa algoritma pembelajaran mesin boleh mempercepatkan pembangunan dan pengujian bahan bateri. ​“Katakan anda mempunyai bahan baharu, dan anda mengitarnya beberapa kali. Anda boleh menggunakan algoritma kami untuk meramalkan jangka hayatnya, dan kemudian membuat keputusan sama ada anda mahu terus mengitarnya secara eksperimen atau tidak.”

"Jika anda seorang penyelidik di makmal, anda boleh menemui dan menguji lebih banyak bahan dalam masa yang lebih singkat kerana anda mempunyai cara yang lebih pantas untuk menilainya," tambah Babinec.

Sebuah kertas kerja berdasarkan kajian tersebut, ​“Kejuruteraan ciri untuk pembelajaran mesin membolehkan ramalan awal hayat bateri,” muncul dalam edisi dalam talian 25 Februari Journal of Power Sources.

Selain Paulson dan Babinec, penulis lain dalam kertas kerja ini termasuk Joseph Kubal dari Argonne, Logan Ward, Saurabh Saxena dan Wenquan Lu.

Kajian ini dibiayai oleh geran Penyelidikan dan Pembangunan yang Diarahkan oleh Makmal Argonne (LDRD).