Podle Bloomberg New Energy Finance’s Electric Vehicle Outlook 2018 do roku 2030 se očekává, že celkový prodej elektromobilů (EV) celosvětově překročí 30 milionů a nákladové parametry budou konečně v souladu se spalovacím motorem. EV představuje seismický posun v automobilovém průmyslu a jeho potenciální dopad na podnikání a životní prostředí je přesvědčivý. Dnes jsou debaty o přijetí a životnosti EV hojné a o nic víc než o potenciálním výkonu baterií EV. Pro vědce stále zůstává mnoho výzev – včetně bezpečnosti baterií, hustoty energie, nabíjecích schopností a jejich výkonu v autě.
V této funkci Dr Doron Myersdorf, generální ředitel společnosti StoreDot, zkoumá, jak by umělá inteligence mohla mít klíč k řešení těchto problémů a potenciál tohoto přístupu pro budoucnost skladování energie a elektromobilů.
Sázky na globálním trhu s bateriemi jsou neuvěřitelně vysoké. Podle generálního ředitele DG Connect při Evropské komisi Roberta Violy se odhaduje, že od roku 2025 bude mít hodnotu více než 250 miliard liber ročně s možným vytvořením 4 milionů pracovních míst jen v EU. Tyto baterie, které jsou již nyní nezbytné pro většinu spotřebního zboží, budou ještě důležitější pro elektromobily, přičemž rozšířené přijetí závisí na výkonu.
„V současné době žádný výrobce automobilů nebo baterií nemůže tvrdit, že nabízí baterii EV, která se nabíjí tak rychle, jako je potřeba k naplnění nádrže tradičního vozidla na fosilní paliva, ani nemůže nabídnout stejný dojezd. Například Volkswagen e-Up nabízí 99 mil na plné nabití a Tesla Model S 100D má dojezd 335 mil na plné nabití. Žádné z těchto vozidel však nelze plně nabít během několika minut. Plné nabití dnes trvá přeplňovací stanici Tesla 75 minut, zatímco SP Group, největší síť elektromobilů v Singapuru, trvá jen půl hodiny.
„Potenciál lithium-iontových baterií vyřešit některé z těchto problémů je obrovský. Existuje však řada problémů s lithium-iontovými bateriemi, které brání rychlému nabíjení – od potřeby vyšší hustoty energie až po prvotřídní výkon a zvýšené požadavky na bezpečnost. Překonávání problémů v chemii baterií je pomalý výzkumný proces, z velké části založený na iterativním návrhu experimentování a systematickém pokusu a omylu. Mnoho nových vylepšení selže dříve, než se dostanou na trh.
„V zařízeních pro výzkum a vývoj, jako je to naše, shromažďují cyklisté informace z bateriových článků každou sekundu; tyto informace zahrnují důležité parametry výkonu, jako je teplota článku, odpor v reálném čase, okno provozního napětí, nabíjecí a vybíjecí proud a úrovně bobtnání. Informace jsou shromažďovány současně z tisíců baterií s terabajty dat shromážděných za experiment. Výsledkem je, že počet kombinací těchto materiálů je nekonečný a počet experimentů potřebných k testování každé kombinace je stejný. Je extrémně obtížné to vyřešit tradičními statistickými nebo manuálními metodami.
„Nicméně holistický přístup k využití datové vědy při vývoji baterií by mohl být klíčem k řešení takto složitých modelů. Umělá inteligence (AI) je dnes módní slovo. Jednoduše řečeno, umělá inteligence neboli strojové učení dokáže vyhodnotit informace a vytvořit matematický model mnohem rychlejším tempem než lidský mozek. Umělá inteligence znamená, že se systémy mohou automaticky učit a zlepšovat na základě zkušeností, aniž by byly explicitně naprogramovány.
„Současný a potenciální dopad AI na různá odvětví je ohromující. Ve výrobě již některé z největších světových společností používají AI s působivými výsledky. Například Smart Manufacturing System společnosti Royal Dutch Shell využívá AI k předpovídání poptávky po ropě, měření nedostatku dodávek a analýze správné směsi/směsí pro přesný proces rafinace. BASF a SAP tvrdily, že 94 procent svých plateb zautomatizovaly pomocí AI. Aplikační potenciál umělé inteligence je široký –
od návrhu materiálu a syntézy až po návrh experimentu, analýzu chyb a minimalizaci odpadu. S AI je možná chytřejší věda se smysluplnými průlomy.
„Dopad tohoto na vývoj baterií nelze podceňovat. Technologie dokáže procházet miliony záznamů a popsat vztah mezi naměřenými daty a parametry baterie. Jako výrobci to pak můžeme použít k testování milionů kombinací elektrolytů, anod a katod v kteroukoli danou chvíli.
„Vědci mohou nejen vyhodnotit baterie ve vývoji, ale mohou se také učit z již existujících baterií, aby dosáhli lepšího porozumění profilu jejich chování při výkonu a doporučili optimální řešení. Schopnost rychle testovat neomezené kombinace znamená, že konečné složení materiálů použitých k výrobě bateriového článku je dosaženo mnohem, mnohem rychleji. To dramaticky snižuje počet nezbytných experimentů, čímž se dramaticky zkracuje doba vývoje a také se výrazně snižují náklady na vývoj. Například tým 50 výzkumníků, kteří pracují na konkrétním složení baterie, může ušetřit až 1 milion dolarů na úsilí ve výzkumu a vývoji měsíčně nasazením schopností strojového učení.“
„Ve StoreDot přinesl první pokus o tuto techniku pozoruhodné výsledky. Například u první generace naší technologie ultrarychlého nabíjení FlashBattery se strojovým učením náš tým zjistil, že několik jednoduchých změn ve formování by mohlo zdvojnásobit počet cyklů vyvíjené baterie z 300 na více než 600 cyklů. Právě tento objev inspiroval StoreDot k vývoji a věnování celé výzkumné a vývojové skupiny, jen aby vybudovala naše schopnosti v oblasti strojového učení. Tento dramatický výsledek je nyní aplikován na další generaci našich baterií pro EV. Ultra-rychlé nabíjení představuje velmi složitý problém – v tradiční metodice baterií bychom obvykle vyměnili pouze jednu součást, ale zde možná budeme muset změnit mnohem více, abychom dosáhli požadovaného průlomu. Kombinací inovativní datové vědy, poháněné umělou inteligencí, s odbornými znalostmi v oblasti elektrochemie, struktury článků, anod, katod a elektrolytů lze dosáhnout mnohem komplexnějších závěrů.
„Je zřejmé, že přínos strojového učení během procesu výzkumu a vývoje se ukazuje jako neocenitelný. Toto však není jediný způsob, jak lze AI implementovat pro pokrok EV. Velmi odlišnou a zajímavou aplikací strojového učení by byla jeho implementace do operačního softwaru EV, průběžné sledování výkonu a stavu baterie, měření dat v reálném čase, učení se z nich a jejich zpětné cirkulování za účelem zlepšení výkonu produktu. Navíc vytvořením chytřejších baterií se zabudovanými snímacími schopnostmi a se samoopravnými funkcemi si systém správy baterií může být vědom jejich „zdravotního stavu“ a v případě potřeby může dokonce omladit bateriové články nebo moduly.
„V konečném důsledku tím, že inovátoři mohou měnit více než jednu komponentu najednou a analyzovat důkazy rychleji, mohou dospět k závěrům, kterých tradiční statistická analýza nemůže dosáhnout. Tyto důkazy umožňují rychlejší vývojové cykly a schopnost překonat problémy, které by jinak nebylo možné vyřešit. Pro přijetí elektromobilů je tato schopnost prvořadá při řešení jedné z největších spotřebitelských překážek, „nepokoje z dojezdu“. Snížením doby nabíjení baterie pomocí technologie strojového učení, doslova, by mohlo být přepracováno celé odvětví EV.“
