السباق العالمي لبطاريات أفضل لم يكن أكثر كثافة. تعتمد المركبات الكهربائية والطائرات بدون طيار وطائرات الجيل التالي على تخزين الطاقة عالي الأداء-أي النهج التقليدي لبطارية البحث والتطوير يكافح لمواكبة الطلب.
لن يحل الابتكار والاستثمار وحدهما المشكلة ، إلا إذا قمنا بضغط الجدول الزمني. السرعة هي الآن الحاجز المحدد بين الإمكانات والتأثير. على الرغم من أن الذكاء الاصطناعي يسرع من اكتشاف المواد ، فإن عمر البطارية لا يزال يملي النجاح: تستمر كل دورة تفريغ الشحن حوالي ست ساعات ، لذلك يمكن أن تستغرق إثبات 500 دورة ما يصل إلى ثمانية أشهر ، وتحول اختبار العمر إلى عنق الزجاجة الرئيسي للكيمياء الواعدة.
هذا يتغير. يعيد الذكاء الاصطناعي المستنيرة للفيزياء تحديد تطوير البطارية. لقد أوضحت المختبرات الوطنية مثل NREL كيف يمكن للشبكات العصبية تشخيص صحة البطارية أسرع 1000 مرة من النماذج التقليدية ، مما يجعل نظرة ثاقبة في الوقت الفعلي في التدهور والأداء.
التكلفة الحقيقية للاختبار التقليدي
لطالما كانت تطوير البطارية لعبة انتظار. النظر في الرياضيات: الاختبار بمعدل C/3 قياسي يسمح لدورتين كاملتين فقط في اليوم. اضرب ذلك عبر المواد الكيميائية المختلفة والبروتوكولات وعوامل النموذج ، وأنت تبحث في سنوات من التحقق من الصحة قبل أن يصل منتج واحد إلى السوق.
هذا ليس غير فعال فحسب ، بل يصبح غير مستدام. بينما يعمل باحثو البطارية بشكل منهجي من خلال دورات الاختبار الخاصة بهم ، يتحول مشهد السوق تحتها. يظهر المنافسون الجدد ، وتتطور متطلبات العملاء ، وتخاطر تقنيات الاختراق بأن تصبح قديمة قبل التحقق من صحتها.
تحتاج الصناعة إلى تحول أساسي في كيفية تعاملها مع الابتكار.
لماذا الذكاء الاصطناعى التقليدي ليس هو الجواب
تحولت العديد من الشركات إلى التعلم الآلي التقليدي ، على أمل تسريع دورات تطويرها. لكن أدوات الذكاء الاصطناعي التقليدية تواجه قيودًا حرجة في تطبيقات البطارية:
- ندرة البيانات:على عكس تقنية المستهلك ، تقوم أبحاث البطاريات بإنشاء مجموعات بيانات صغيرة نسبيًا فوضوي تقاوم أساليب ML القياسية.
- مشكلة الصندوق الأسود:قد تحدد النماذج المستندة إلى الارتباط الأنماط ، لكنهم لا يستطيعون شرح سبب وجود هذه الأنماط ، وهو أمر غير مدهش في حقل يحكمه المبادئ الكهروكيميائية والديناميكية الحرارية الصارمة.
- التحديات التنظيمية:يحتاج المهندسون والمنظمون إلى فهم ليس فقط ما تتوقعه الذكاء الاصطناعى ، ولكن لماذا يجعل تلك التنبؤات.
أدخل الذكاء الاصطناعى في الفيزياء
يمثل الذكاء الاصطناعي المستنيرة للفيزياء خروجًا أساسيًا عن الأساليب التقليدية. بدلاً من أنماط التعلم من البيانات وحدها ، تدمج هذه النماذج القوانين الفيزيائية مباشرة في بنيةها. والنتيجة هي منظمة العفو الدولية التي لا تتعرف فقط على الارتباطات – فهي ترتبط بالفيزياء الأساسية.
هذا النهج يحول كيف نفكر في تطوير البطارية. بدلاً من شهور الانتظار للتحقق من الصحة التجريبية ، يمكن للنماذج المستنيرة فيزياء محاكاة سلوك البطارية الحقيقي بدقة ملحوظة. وهي تفسر الشيخوخة ، والتدهور ، والإجهاد الحراري ، والعوامل الميكانيكية – جميعها ترتكز على المبادئ العلمية المعمول بها.
في Factorial ، لقد حققنا شيئًا يبدو مستحيلًا منذ سنوات قليلة: التنبؤ بنتائج حياة الدورة بعد 1-2 أسابيع فقط من الاختبار المبكر ، مقارنة مع 3-6 أشهر المطلوبة عادة.
اختراقات تعتمد على البرمجيات
يمتد التأثير إلى ما وراء الاختبار الأسرع. باستخدام منصة Gammatron التي تم إطلاقها حديثًا-نظام الذكاء الاصطناعى في الفيزياء-قمنا مؤخرًا بتحسين بروتوكول الشحن السريع دون تغيير أي مكونات مادية. النتيجة: تحسن مضاعف في حياة الدورة ، يتحقق بالكامل من خلال البرامج.
لقد حولت Gammatron ، التي تم تطويرها لمحاكاة وتنبؤ سلوك البطارية بدقة عالية ، نهجنا في التطور مع Stellantis. من خلال التنبؤ بالأداء على المدى الطويل من أسبوعين فقط من البيانات المبكرة ، ساعد النظام الأساسي في تسريع الجداول الزمنية للتحقق من صحة وتعديلات البروتوكول المستنيرة التي امتدت بشكل كبير عمر البطارية ، دون تغيير الكيمياء أو الأجهزة.
نحن لسنا الوحيدين الذين يرون هذا المستوى من التحول. في The Battery Show Europe ، شارك ريتشارد أهلفيلد الرئيس التنفيذي لشركة Monolith أن شركته ، التي تعمل مع مجموعة Cellforce Group ، تستخدم الذكاء الاصطناعي لتقليل متطلبات اختبار مواد البطارية بنسبة تصل إلى 70 ٪ ، مع الحفاظ على معدلات الاكتشاف أو حتى تحسينها. هذه ليست مدخرات نظرية. تقارير Monolith تقليصًا بنسبة 20-40 ٪ في الاختبار عبر مشاريع الشركاء النشطة اليوم ، وتسريع المنتجات إلى السوق بأشهر.
يمثل هذا نموذجًا جديدًا في تطوير البطارية-حيث يمكن لابتكارات البرامج أن تدفع مكاسب على مستوى الأجهزة. نظرًا لأن نماذجنا تتعلم باستمرار من بيانات المختبر الجديدة ، فإنها تتطور في الوقت الفعلي ، وتسريع الابتكار خلال دورة حياة المنتج بأكملها. يتيح هذا المزيج من بيانات الذكاء الاصطناعى وبيانات المختبر حلقة التغذية المرتدة التي لا يتم رؤيتها في نماذج الذكاء الاصطناعى التقليدية.
تحويل معايير الصناعة
تتيح الذكاء الاصطناعي المستنيرة فيزياء القدرات التي كانت مستحيلة سابقًا:
- مطابقة الدقة:قم بمحاذاة كيمياء محددة مع التطبيقات المستهدفة بناءً على نمذجة الأداء التنبؤية بدلاً من التجربة والخطأ.
- النماذج الأولية الافتراضية:محاكاة نتائج الأداء قبل الاستثمار في النماذج المادية ، مما يقلل بشكل كبير من تكاليف التطوير والجداول الزمنية.
- التحسين الذكي:بروتوكولات الشحن الدقيقة للسرعة والسلامة المثلى دون اختبار جسدي واسع النطاق.
- المراقبة التنبؤية: تحديد أوضاع الفشل المحتملة في وقت مبكر من دورة التطوير ، مما يقلل من المخاطر والتكلفة.
ربما الأهم من ذلك ، تدعم هذه الأدوات التعلم المستمر خلال دورة حياة المنتج. مع توفر المواد والعمليات والبيانات الجديدة ، تتطور النماذج ، مما يتيح التكيف السريع عبر منصات وتطبيقات البطارية المتنوعة.
المستقبل الأول
نحن نشهد ظهور نموذج جديد للتنمية – تصميم الخلايا الناجح. لن تبدأ اختراقات بطارية الغد في المختبرات المادية ، ولكن في عمليات المحاكاة المتطورة التي تجمع بين خبرة المجال والتحقق التجريبي ونمذجة الذكاء الاصطناعي الذكي.
هذا التحول من الأجهزة الأولى إلى الابتكار الأول سيفصل قادة الصناعة عن المتابعين. الشركات التي يمكنها دمج هذه القدرات بسلاسة ستفتح المدى الأطول ، والشحن الأسرع ، ومرونة أكبر ، وحل ما هي تحديات الأنظمة بشكل أساسي بدلاً من مجرد تحديات للمواد.
الأدوات موجودة اليوم. السؤال ليس ما إذا كان هذا التحول سيحدث ، ولكن مدى سرعة التكيف مع الشركات مع الاستفادة من هذه القدرات.
