Trí Tuệ Nhân Tạo Đang Đẩy Nhanh Quá Trình Phát Triển Pin

Bên trong một phòng thí nghiệm tại Viện Năng Lượng Precourt của Đại học Stanford, có khoảng nửa tá tủ tủ lạnh được thiết kế để hủy diệt pin càng nhanh càng tốt. Mỗi tủ chứa khoảng 100 ô tô lithium-ion được đặt trong khay có thể sạc và xả pin hàng chục lần mỗi ngày. Thông thường, những viên pin đi vào những chiếc tủ hình người khổng lồ này sẽ được tìm thấy bên trong các thiết bị hoặc xe điện, nhưng khi chúng được đặt trong những máy móc khổng lồ này, chúng không cung cấp năng lượng cho bất cứ thứ gì cả. Thay vào đó, năng lượng được đổ vào và ra khỏi những viên pin này càng nhanh càng tốt để tạo ra một lượng lớn dữ liệu về hiệu suất sẽ giúp trí tuệ nhân tạo học cách xây dựng một viên pin tốt hơn.

Trong năm 2019, một nhóm nghiên cứu từ Stanford, MIT và Viện Nghiên cứu Toyota đã sử dụng trí tuệ nhân tạo được đào tạo từ dữ liệu được tạo ra từ những chiếc máy này để dự đoán hiệu suất của pin lithium-ion qua thời gian sử dụng trước khi hiệu suất của chúng bắt đầu giảm. Thông thường, trí tuệ nhân tạo cần dữ liệu từ sau khi một viên pin bắt đầu suy giảm để dự đoán hiệu suất của nó trong tương lai. Việc này có thể mất tháng để lặp lại viên pin đủ lần để có được dữ liệu đó. Nhưng trí tuệ nhân tạo của các nhà nghiên cứu có thể dự đoán hiệu suất suốt đời chỉ sau vài giờ thu thập dữ liệu, trong khi viên pin vẫn ở đỉnh cao của nó. “Trước khi làm việc của chúng tôi, không ai nghĩ điều đó là khả thi”, William Chueh, một nhà khoa học vật liệu tại Stanford và một trong những tác giả chính của bài báo năm 2019 nói. Và earlier năm nay, Chueh và đồng nghiệp của ông đã làm lại điều đó. Trong một bài báo được công bố trong tạp chí Nature vào tháng 2, Chueh và đồng nghiệp của ông mô tả một thí nghiệm trong đó trí tuệ nhân tạo có thể khám phá ra phương pháp tối ưu cho việc sạc nhanh 10 phút cho một viên pin lithium-ion.

Nhiều chuyên gia nghĩ rằng việc sạc nhanh pin sẽ quan trọng cho việc áp dụng xe điện, nhưng việc đổ đủ năng lượng để sạc lại một viên pin trong thời gian tương đương việc đổ đầy bình xăng có thể nhanh chóng làm giảm hiệu suất của nó. Để đưa pin sạc nhanh ra khỏi phòng thí nghiệm và vào thế giới thực có nghĩa là tìm ra điểm ngọt giữa tốc độ sạc và tuổi thọ pin. Vấn đề là có hiệu quả là vô hạn cách để cung cấp năng lượng cho một viên pin; Chueh so sánh nó với việc tìm kiếm cách tốt nhất để đổ nước vào một xô. Thông qua thử nghiệm tất cả những khả năng đó để tìm ra cách tốt nhất là một công việc chậm và mệt nhọc—nhưng đó là nơi mà trí tuệ nhân tạo có thể giúp đỡ.

Trong nghiên cứu của họ, Chueh và đồng nghiệp đã thành công tối ưu hóa giao thức sạc nhanh cho viên pin lithium-ion trong thời gian dưới một tháng; để đạt được kết quả tương tự mà không có sự giúp đỡ của trí tuệ nhân tạo thường mất khoảng hai năm. “Cuối cùng, chúng tôi xem công việc của mình như việc tăng tốc độ nghiên cứu và phát triển pin,” Chueh nói. “Cho dù đó là khám phá hóa học mới hay tìm cách tạo ra một viên pin an toàn hơn, tất cả đều tốn rất nhiều thời gian. Chúng tôi đang cố gắng tiết kiệm thời gian.”

Trong thập kỷ qua, hiệu suất của pin đã tăng vọt và giá cả của chúng đã giảm đáng kể. Với việc nhiều chuyên gia nhìn nhận rằng việc điện hóa mọi thứ là chìa khóa để giảm khí nhà kính trong hệ thống năng lượng của chúng ta, đây là tin tốt. Nhưng đối với những nhà nghiên cứu như Chueh, tốc độ đổi mới của pin không đủ nhanh. Lý do rất đơn giản: pin rất phức tạp. Để xây dựng một viên pin tốt hơn có nghĩa là tối ưu hóa tại từng bước trong quá trình sản xuất một cách tàn nhẫn. Điều quan trọng là sử dụng nguyên liệu nguyên liệu rẻ hơn, hóa học tốt hơn, kỹ thuật sản xuất hiệu quả hơn. Nhưng có nhiều tham số có thể được tối ưu hóa. Và thường một cải tiến trong một lĩnh vực—chẳng hạn như mật độ năng lượng—sẽ đi kèm với chi phí của việc đạt được kết quả tích cực trong một lĩnh vực khác, như tỷ lệ sạc.

Tìm kiếm các giải pháp tối ưu trong không gian tìm kiếm lớn chính là loại vấn đề mà trí tuệ nhân tạo được xây dựng để giải quyết. Nhưng cho đến gần đây, trí tuệ nhân tạo xây dựng pin bị hạn chế do thiếu dữ liệu. “Lịch sử, dữ liệu pin đã rất khó khăn để có được vì nó không được chia sẻ giữa các nhà nghiên cứu và các công ty,” Bruis van Vlijmen, một nhà khoa học dữ liệu làm việc trên phân tích pin tại Stanford nói. “Có một mức độ cao về bí mật hoặc thông tin độc quyền.” Theo bài báo năm 2019 của họ, Chueh và đồng nghiệp của ông đã đưa ra tất cả dữ liệu pin của họ để công chúng có thể sử dụng để đào tạo thuật toán trí tuệ nhân tạo của họ. Lúc đó, đó là bộ dữ liệu hiệu suất pin lớn nhất từng được công bố.

Đối với Ian Foster, giám đốc của bộ phận khoa học dữ liệu và học tại Viện Năng lượng Quốc gia Argonne, việc thiếu dữ liệu chất lượng là một vấn đề quen thuộc. Trong vài năm qua, Foster và đồng nghiệp tại viện đã xây dựng một cơ sở dữ liệu về các phân tử có thể được một thuật toán học máy lục soát để tìm kiếm các hợp chất có thể dẫn đến cải thiện hiệu suất của điện giải pin, chất nằm giữa các điện cực. Như các yếu tố khác trong pin, hóa chất điện giải có thể được điều chỉnh để tăng các tính chất mong muốn như mật độ năng lượng hoặc giảm các tính chất không mong muốn như độc tính. “Lịch sử, việc xác định vật liệu điện giải mới đã rất nhiều dựa vào quá trình thử nghiệm và sai lầm,” Foster nói. “Mục tiêu của chúng tôi là áp dụng phương pháp trí tuệ nhân tạo để khám phá không gian có thể coi là vô tận của vật liệu có thể có.”

Cuối năm 2019, nhóm Argonne đã công bố một cặp bài báo mô tả cách họ sử dụng một cơ sở dữ liệu hiện có với 133,000 phân tử hữu cơ và siêu máy tính của viện để tạo ra mô phỏng cực kỳ chính xác về các tính chất của những phân tử này có đến chín nguyên tử “nặng”, hoặc không phải là hydro. Ý tưởng của họ là sử dụng cơ sở dữ liệu này để đào tạo một thuật toán học máy để tìm kiếm các phân tử có tính chất mong muốn trong một tập dữ liệu tương đối nhỏ để nó có thể khám phá một cơ sở dữ liệu lớn hơn về vật liệu tiềm năng. Các phân tử trong hầu hết điện giải pin có thể có hơn 20 nguyên tử “nặng”, và có rất nhiều cách để kết hợp những nguyên tử đó. Ví dụ, một cơ sở dữ liệu khác về phân tử hữu cơ có đến 17 nguyên tử “nặng” bao gồm 166 tỷ ứng viên. Đó sẽ là một không gian quá lớn để một trí tuệ nhân tạo tìm kiếm ứng viên triển vọng mà không có ý tưởng tốt về những gì nó đang tìm kiếm.

Foster nói rằng hiện vẫn là những ngày đầu cho thuật toán săn điện giải của Argonne. Nó chưa xác định ra bất kỳ vật liệu mới nào cho đến nay, nhưng khi nó làm được điều đó, bước tiếp theo sẽ là tạo ra một cell vật lý sử dụng vật liệu điện giải đó để thực nghiệm. Dữ liệu từ những thử nghiệm đó sau đó có thể được sử dụng để làm tinh chỉnh thuật toán và giúp nó thu hẹp tìm kiếm của mình đến các ứng viên tốt hơn. “Quá trình chuyển từ một lượng lớn các điện giải có thể có được đến một cái mà thực sự sẽ được triển khai trong hàng triệu chiếc ô tô là một quá trình dài,” Foster nói. “Mục tiêu của học máy là tăng tốc quá trình thử nghiệm.”

Trong khi đó, nhóm của Foster đang làm việc với các nhà khoa học pin tại mười hai tổ chức nghiên cứu và công ty để tạo điều kiện cho việc chia sẻ thống kê giữa các tổ chức. Nhóm hy vọng sử dụng một nền tảng được phát triển tại Đại học Chicago gọi là Data Station, cho phép các nhà nghiên cứu đào tạo các mô hình học máy trên một kho thông tin được đóng góp bởi các nhóm khác nhau mà không bao giờ cung cấp quyền truy cập trực tiếp đến dữ liệu của họ. Một mô hình học máy được tải lên nền tảng, được đào tạo trên dữ liệu và sau đó trở lại với các nhà nghiên cứu. Những nhà khoa học này không biết chi tiết về dữ liệu, nhưng họ có thể nói liệu tiếp xúc với dữ liệu đó có cải thiện khả năng dự đoán của mô hình về pin hay không. Foster và các đồng nghiệp của ông hy vọng điều này sẽ làm giảm lo lắng của mọi người về việc mất dữ liệu độc quyền cho đối thủ cạnh tranh trong khi vẫn cho phép tạo ra các bộ dữ liệu khổng lồ.

Nhưng ngay cả khi không có cơ sở dữ liệu chia sẻ rộng lớn, việc sử dụng Trí tuệ Nhân tạo trong phát triển pin đã nóng lên. Như được mô tả trong một bài báo được xuất bản vào mùa hè này trên Frontiers in Energy Research, chỉ trong năm qua, Trí tuệ Nhân tạo đã được sử dụng cho một số ứng dụng đáng kinh ngạc trong nghiên cứu pin. Trên mặt vật liệu, nó đã được sử dụng để nghiên cứu các phân tử có thể ổn định anot kim loại lithium, có thể tăng đáng kể mật độ năng lượng nhưng hiện nay đang đi kèm với nhiều vấn đề về an toàn. Học máy cũng đã được sử dụng để khám phá lớp phủ cátot tiềm năng để cải thiện hiệu suất của pin với điện giải rắn, an toàn hơn so với điện giải lỏng hiện nay. Trí tuệ Nhân tạo cũng đã được sử dụng để cải thiện sự hiểu biết của các nhà nghiên cứu về các pin hiện tại bằng cách tối ưu hóa hệ thống quản lý pin và tạo ra mô hình toán học chính xác của pin để mô phỏng hiệu suất chúng trong ô tô điện. Một Trí tuệ Nhân tạo thậm chí đã viết một cuốn sách tóm tắt nghiên cứu hiện tại về pin lithium-ion.

“Có nhiều tiềm năng chưa được khai thác trong các vật liệu pin hiện tại, mà chúng ta có thể tận dụng bằng cách sử dụng phần mềm tốt hơn để ‘lập trình’ pin,” nói Alpha Lee, một nhà vật lý thống kê tại Đại học Cambridge, nghiên cứu gần đây của ông đã sử dụng học máy để tìm ra các dự đoán mới về sức khỏe của pin. “Sự đổi mới trong phần mềm pin sẽ hưởng lợi từ mức độ mở rộng mà chúng ta thấy trong cuộc cách mạng số và mở ra một kỷ nguyên mới về công nghệ lưu trữ năng lượng.”

Bước tiếp theo là đưa những phương pháp học máy này ra khỏi phòng thí nghiệm và sử dụng chúng để tạo ra pin sẽ cung cấp năng lượng cho các thiết bị và ô tô của chúng ta. InoBat, một công ty có trụ sở tại Slovakia được thành lập vào năm 2018, có thể đang dẫn đầu. Công ty đang sử dụng một nền tảng nghiên cứu được động cơ bởi Trí tuệ Nhân tạo do Wildcat Discovery Technologies có trụ sở tại California phát triển để nhanh chóng thử nghiệm mô hình hóa mới cho hóa chất pin để tạo ra các ô pin tùy chỉnh cho ô tô điện. Theo giám đốc điều hành InoBat, Marian Bocek, nền tảng Trí tuệ Nhân tạo cho phép việc khám phá toàn diện về hóa chất lithium-ion mới, có tiềm năng gia tăng đáng kể quá trình khám phá. Nói một cách khác, thay vì điều chỉnh một thành phần pin một cách lần lượt và thử nghiệm mỗi biến thể một cách triệt để, Trí tuệ Nhân tạo có thể mô phỏng hiệu suất của pin khi nhiều biến thể khác nhau đã được thay đổi cùng một lúc.

“Hành trình khám phá hóa chất cell mới nhanh hơn 10 lần so với một phòng thí nghiệm truyền thống,” Bocek nói, so sánh nghiên cứu được thúc đẩy bằng Trí tuệ Nhân tạo của InoBat với việc sử dụng phương pháp phát hiện thuốc tự động trong ngành công nghiệp dược phẩm. “Chúng tôi đang rời khỏi mô hình ‘một kiểu dáng phù hợp với tất cả’ đang chi phối ngành công nghiệp ô tô điện.”

InoBat vừa công bố mô hình pin thông minh đầu tiên được thiết kế với Trí tuệ Nhân tạo vào tuần trước. Trong buổi công bố, Bocek tuyên bố rằng pin có thể tăng tầm hoạt động của một chiếc ô tô điện “đỉnh nhất trong danh sách” gần 20%. Nhưng đừng mong đợi sẽ tìm thấy nó trong bộ pin của một chiếc ô tô điện thông thường bất cứ lúc nào sớm. Khác với các nhà sản xuất pin lithium-ion lớn như Panasonic hoặc Samsung, InoBat là một hãng pin độc đáo hơn. Công ty tập trung vào các phương tiện chuyên biệt như ô tô điện hiệu suất cao hoặc máy bay điện, và có thể sản xuất theo tỷ lệ thấp để phát triển các ô pin đáp ứng nhu cầu cụ thể của khách hàng. “Chúng tôi là người chơi duy nhất như vậy trên thị trường có khả năng phát triển một giải pháp tùy chỉnh về định dạng ô và mật độ năng lượng,” Bocek nói.

Bocek cho biết nhà máy thử nghiệm đầu tiên của công ty sẽ bắt đầu sản xuất pin vào cuối năm sau. Ban đầu, nhà máy sẽ sản xuất chỉ 100 megawatt-giờ pin được thiết kế bởi Trí tuệ Nhân tạo mỗi năm. Để so sánh, đó là khoảng một nửa phần trăm của sản lượng của Nhà máy Gigafactory của Tesla tại Nevada. Bocek cho biết công ty có kế hoạch mở rộng sản xuất lên một nhà máy có công suất 10 gigawatt-giờ trong vòng năm năm tới. Điều đó sẽ đưa nó vào tầm bằng với sản lượng kế hoạch tại nhà máy thử nghiệm mới của Tesla tại California mà các quan chức của công ty đã công bố tại sự kiện Ngày Pin tháng trước.

Giải phóng Trí tuệ Nhân tạo trong phát triển pin là tin tức tốt cho một thế giới đang ấm lên. Lưu trữ năng lượng pin là một yếu tố chính để tăng lượng năng lượng tái tạo trên lưới điện, và khi đến việc giảm khí nhà kính trong nguồn cung cấp năng lượng của chúng ta, thì thời gian là rất quan trọng. Sau nhiều thập kỷ tiến triển chậm rãi, nghiên cứu pin được thúc đẩy bởi Trí tuệ Nhân tạo hứa hẹn sẽ cuối cùng nhanh chóng hơn. “Tất cả đều liên quan đến giảm khí nhà kính,” Chueh nói. “Chúng ta muốn đạt được điều đó nhanh chóng vì chúng ta không còn nhiều thời gian nữa.”

📩 Muốn biết điều gì mới về công nghệ, khoa học và hơn thế nữa? Đăng ký nhận bản tin của chúng tôi ngay bây giờ! The West's infernos are melting our sense of how fire works, The pandemic closed borders—and stirred a longing for home, Publishers worry as ebooks fly off libraries' virtual shelves, Your photos are irreplaceable. Get them off your phone, How Twitter survived its big hack—and plans to stop the next, 🎮 MYTOUR Games: Nhận những mẹo mới nhất, đánh giá và nhiều hơn nữa, 🏃🏽‍♀️ Muốn có những công cụ tốt nhất để duy trì sức khỏe? Kiểm tra những lựa chọn của đội ngũ Gear của chúng tôi cho những bộ theo dõi sức khỏe tốt nhất, trang thiết bị chạy bộ (bao gồm giày và tất), và tai nghe tốt nhất.