Исследователи из Мичиганского университета опубликовали в Nature метод Discovery Learning, который предсказывает срок службы новых литий-ионных батарей по данным всего 50 циклов зарядки-разрядки. Обычно для этого прототип гоняют до полного износа — тысячи циклов, которые занимают от нескольких месяцев до года и больше. Discovery Learning укладывается примерно в неделю, сокращая процесс в десятки раз: по оценке авторов, экономия составляет 98% времени и 95% энергозатрат.
Откуда берется такое ускорение: традиционный путь требует прогнать батарею через весь жизненный цикл — скажем, 2500 циклов, чтобы зафиксировать, когда емкость упадет ниже порога. Discovery Learning хватает первых 50 циклов из половины прототипов, чтобы предсказать результат для остальных с ошибкой 7,2%. Вместо того чтобы тестировать каждый вариант конструкции до конца, система обучается на публичных данных о других типах ячеек, а затем переносит знания на незнакомые конструкции — и дополняет их минимальным количеством реальных экспериментов. Масштаб проблемы при этом колоссальный: по оценкам, с 2023 по 2040 год тестирование текущих и будущих конструкций батарей потребует 130 000 ГВт·ч энергии — это примерно половина годовой выработки электростанций Калифорнии.
Метод назван в честь одноименной теории из педагогической психологии и устроен как цикл рассуждений, имитирующий работу ученого. Он объединяет три подхода: активное обучение (система сама решает, какие эксперименты проводить следующими), обучение с физическими ограничениями (учитывает законы деградации батарей) и обучение с нулевым количеством примеров (делает прогнозы для конструкций, которых раньше не видела). Для проверки авторы собрали датасет из 123 литий-ионных ячеек промышленного формата с различными комбинациями материалов и протоколами циклирования.
"Это показывает большой потенциал для решения ключевого узкого места в разработке батарей", — отмечает Чао Ху, профессор Коннектикутского университета, в комментарии к статье. Предыдущие попытки применить машинное обучение к этой задаче требовали данных о полном жизненном цикле целевых конструкций и не могли давать прогнозы до стадии прототипирования. Discovery Learning снимает оба ограничения: метод работает на ранних этапах разработки, когда решения о конструкции ещё можно скорректировать — что критично для рынка литий-ионных батарей, который оценивается в $120 млрд и, по прогнозам, вырастет до $500 млрд к 2030 году.
P.S. Поддержать меня можно подпиской на канал "сбежавшая нейросеть", где я рассказываю про ИИ с творческой стороны.
