Buzz
Khác với phương pháp thử nghiệm truyền thống, vốn yêu cầu hàng trăm hoặc thậm chí hàng nghìn chu kỳ sạc-xả, hệ thống học máy của Đại học Michigan chỉ cần 50 chu kỳ để dự đoán tuổi thọ pin một cách chính xác.
Các nhà khoa học tại Đại học Michigan vừa phát triển một hệ thống học máy có khả năng dự đoán tuổi thọ pin chỉ sau một thời gian thử nghiệm ngắn, giúp tăng tốc quá trình thiết kế và thử nghiệm pin. Hệ thống này có thể giảm thời gian tạo mẫu từ vài tháng đến vài năm, mở ra cơ hội lớn để nâng cao công nghệ lưu trữ năng lượng.
Khác với phương pháp thử nghiệm truyền thống, vốn yêu cầu hàng trăm hoặc thậm chí hàng nghìn chu kỳ sạc-xả, mô hình học máy của Đại học Michigan chỉ cần 50 chu kỳ để đưa ra dự đoán về tuổi thọ pin. Theo nhóm nghiên cứu, phương pháp này giúp giảm tới 95% thời gian và năng lượng, tạo điều kiện để các kỹ sư đánh giá hiệu suất pin với tốc độ và độ chính xác chưa từng có.
Hệ thống học máy này được phát triển dưới sự lãnh đạo của phó giáo sư Ziyou Song và nghiên cứu sinh Jiawei Zhang tại khoa Kỹ thuật điện và máy tính của Đại học Michigan. Mô hình AI này bao gồm một chuỗi các công cụ tự động, mỗi công cụ thực hiện một nhiệm vụ chuyên biệt trong việc kiểm tra và phân tích dữ liệu thử nghiệm. Các công cụ này hoạt động phối hợp như một nhóm nghiên cứu trong phòng thí nghiệm, chia sẻ dữ liệu, kiểm tra giả thuyết và điều chỉnh kết quả.
Mô hình AI được huấn luyện dựa trên dữ liệu thực tế từ Farasis Energy USA, nhà phát triển pin có trụ sở tại California, đơn vị cung cấp các tế bào pin dạng túi để thử nghiệm dự đoán của hệ thống. Khung AI này lấy cảm hứng từ phương pháp học tập khám phá, một nguyên lý khoa học giúp AI học hỏi từ các thí nghiệm trước đó, áp dụng các mô hình vật lý để kết nối các đặc tính ban đầu với tuổi thọ cuối cùng của pin.
Quá trình này được chia thành ba vai trò riêng biệt: "người học", "người phiên dịch" và "người dự đoán". Người học chọn lựa các mẫu pin để thử nghiệm trong các điều kiện nhiệt độ và dòng điện nhất định. Những thử nghiệm này kéo dài khoảng 50 chu kỳ, tạo ra dữ liệu được người phiên dịch phân tích qua mô phỏng vật lý. Cuối cùng, người dự đoán kết hợp kết quả với các kiến thức hiện có để dự đoán tuổi thọ pin trong tương lai.
Một trong những điểm đặc biệt của hệ thống này là khả năng áp dụng lý thuyết vật lý để giải thích các yếu tố ảnh hưởng đến tuổi thọ pin, chẳng hạn như nhiệt độ, sự căng thẳng và chu kỳ sạc/xả. Điều này giúp mô hình có thể dự đoán hiệu suất của các loại pin khác nhau, từ pin hình trụ nhỏ trong thiết bị điện tử tiêu dùng đến pin dạng túi mềm dẻo trong xe điện.
Kết quả thử nghiệm cho thấy hệ thống này có khả năng dự đoán chính xác tuổi thọ của pin chỉ sau vài ngày thử nghiệm, thay vì phải mất hàng tháng hoặc thậm chí hàng năm như các phương pháp truyền thống. Điều này giúp tiết kiệm không chỉ thời gian mà còn năng lượng, với chỉ 5% năng lượng so với các thử nghiệm quy mô lớn trong phòng thí nghiệm.
Bên cạnh việc dự đoán tuổi thọ chu kỳ, nhóm nghiên cứu cũng đang mở rộng ứng dụng của công nghệ này, bao gồm tối ưu hóa tốc độ sạc, xác định giới hạn an toàn của pin và tìm kiếm các vật liệu phù hợp cho pin lithium-ion thế hệ tiếp theo.
Tầm nhìn của nhóm nghiên cứu không chỉ gói gọn trong lĩnh vực lưu trữ năng lượng. Phương pháp học tập khám phá còn có thể ứng dụng trong nhiều lĩnh vực khoa học khác như hóa học và khoa học vật liệu, giúp tiết kiệm chi phí và thời gian cho các thử nghiệm trong những ngành này.
