機械学習はリチウムイオン電池のテストコストを削減できる可能性がある – –

科学者たちは、現代世界がますます依存するようになっている新しいリチウムイオン電池の開発に必要なコストとエネルギーを大幅に削減できる機械学習方法を開発しました。

新しいバッテリー設計の寿命とそのエンジニアリング用途を予測することは、業界の大きなボトルネックとなっています。寿命の閾値に近づくまで充電と放電を繰り返すプロトタイプの総当りテストには、数か月、場合によっては数年かかる場合があり、膨大な電力を消費し、莫大なコストがかかります。

ある研究では、開発プロセスに変更が加えられなかった場合、現在および将来のリチウム電池設計には、2023 年から 2040 年までに 130,000 GWh のエネルギーが必要になる可能性があると推定されています。これはカリフォルニア州で年間発電される電力量（278,338GWh）の約半分に相当します。

今週科学誌ネイチャーに掲載された研究では、バッテリー開発における機械学習への新しいアプローチが説明されており、著者らは、従来の方法と比較して時間の98パーセントとコストの95パーセントを節約できると主張している。

コネチカット大学のチャオ・フー准教授は、これは「電池開発の主要なボトルネックに取り組む大きな可能性を示している」と付随記事で述べた。

ミシガン大学博士研究員 Jiawei Zhang 氏と彼のチームが開発したプロセスは、反復要素を組み合わせて、正確な予測を行うために必要なデータを削減しました。

いわゆる Discovery Learning フレームワークは、プロトタイプのバッテリー テストから得られた初期寿命データを活用した機械学習モデルを使用して、テスト セットの平均誤差が 15% 未満でバッテリー寿命を予測できることが示された 2019 年の研究に基づいており、精度が高いと考えられています。

Zhang らは、以前の方法を 3 つの異なる要素に分割しました。学習者モジュールは、予測精度を向上させるために有用なデータを提供する可能性のある新しい設計のプロトタイプを選択します。これらのプロトタイプの初期テストの後、インタープリター モジュールは物理的特性のモデルを使用して、このデータを既存のバッテリーの過去の全寿命データと合わせて分析します。最後に、Oracle モジュールはその出力を使用して、新しくテストされたプロトタイプの寿命を予測します。重要なのは、物理的にテストする次のプロトタイプのセットを選択するために、その情報が学習者モジュールにフィードバックされることです。

「Discovery Learningモデルの重要な新しさは、実験的に測定された寿命ではなく、Oracleが予測した寿命を使用してモデル自体を更新することで、時間のかかる全寿命バッテリテストの必要性を回避できることです」とHu氏は述べた。

ただし、新しいバッテリー設計がトレーニング データを提供するために利用できるバッテリーの設計から大幅に逸脱した場合に、Discovery Learning フレームワークがどの程度うまく機能するかは依然として不透明であると同氏は指摘します。

「より広範には、このフレームワークが一般用途に採用される前に、たとえば、さまざまな温度やさまざまな電気負荷の下など、実際の条件で使用されるバッテリーにどの程度耐えられるかを確認するために、さらなる検証が必要です」と胡氏は述べた。

それにもかかわらず、EV、ラップトップ、その他さまざまな用途向けのバッテリーの世界的な価値は現在 1,200 億ドルに達しており、2030 年には 5,000 億ドル近くに増加すると予想されており、開発コストをわずかに節約するだけでも違いが生じる可能性があります。 ®