21.02.2020 - Stanford University

El aprendizaje de la máquina podría acelerar la llegada de un coche eléctrico de carga ultra rápida

El rendimiento de la batería puede hacer o deshacer la experiencia del vehículo eléctrico, desde la autonomía de conducción hasta el tiempo de carga y la vida útil del coche. Ahora, la inteligencia artificial ha hecho que los sueños como recargar un EV en el tiempo que tarda en parar en una gasolinera sea una realidad más probable, y podría ayudar a mejorar otros aspectos de la tecnología de las baterías.

Durante décadas, los avances en las baterías de los vehículos eléctricos se han visto limitados por un importante cuello de botella: los tiempos de evaluación. En cada etapa del proceso de desarrollo de la batería, las nuevas tecnologías deben ser probadas durante meses o incluso años para determinar cuánto tiempo durarán. Pero ahora, un equipo dirigido por los profesores de Stanford Stefano Ermon y William Chueh ha desarrollado un método basado en el aprendizaje por máquina que reduce estos tiempos de prueba en un 98 por ciento. Aunque el grupo probó su método en la velocidad de carga de la batería, dijeron que se puede aplicar a muchas otras partes del proceso de desarrollo de la batería e incluso a tecnologías no energéticas.

"En las pruebas de batería, hay que probar un gran número de cosas, porque el rendimiento que se obtiene variará drásticamente", dijo Ermon, un profesor asistente de ciencias de la computación. "Con la IA, somos capaces de identificar rápidamente los enfoques más prometedores y eliminar un montón de experimentos innecesarios."

El estudio, publicado por Nature el 19 de febrero, fue parte de una colaboración más amplia entre científicos de Stanford, MIT y el Instituto de Investigación de Toyota que tiende un puente entre la investigación académica fundamental y las aplicaciones de la industria en el mundo real. El objetivo: encontrar el mejor método para cargar una batería de EV en 10 minutos que maximice la vida útil de la batería. Los investigadores escribieron un programa que, basado en sólo unos pocos ciclos de carga, predijo cómo responderían las baterías a diferentes enfoques de carga. El software también decidió en tiempo real qué enfoques de carga enfocar o ignorar. Al reducir tanto la duración como el número de ensayos, los investigadores redujeron el proceso de pruebas de casi dos años a 16 días.

"Descubrimos cómo acelerar enormemente el proceso de prueba para la carga extremadamente rápida", dijo Peter Attia, que codirigió el estudio mientras era un estudiante de postgrado. "Lo que es realmente emocionante, sin embargo, es el método. Podemos aplicar este enfoque a muchos otros problemas que, en este momento, están frenando el desarrollo de la batería durante meses o años".

Un enfoque más inteligente para las pruebas de batería

El diseño de baterías de carga ultra rápida es un gran desafío, principalmente porque es difícil hacerlas durar. La intensidad de la carga más rápida ejerce una mayor presión sobre la batería, lo que a menudo hace que falle anticipadamente. Para evitar este daño al paquete de baterías, un componente que representa una gran parte del coste total de un coche eléctrico, los ingenieros de baterías deben probar una exhaustiva serie de métodos de carga para encontrar los que mejor funcionan.

La nueva investigación buscaba optimizar este proceso. Al principio, el equipo vio que la optimización de la carga rápida equivalía a muchas pruebas de ensayo y error, algo que es ineficiente para los humanos, pero el problema perfecto para una máquina.

"El aprendizaje por máquina es un ensayo y error, pero de una manera más inteligente", dijo Aditya Grover, un estudiante de postgrado en informática que co-dirigió el estudio. "Los ordenadores son mucho mejores que nosotros para averiguar cuándo explorar - probar nuevos y diferentes enfoques - y cuándo explotar, o concentrarse, en los más prometedores."

El equipo usó este poder a su favor de dos maneras clave. Primero, lo usaron para reducir el tiempo de cada experimento de ciclismo. En un estudio anterior, los investigadores descubrieron que en lugar de cargar y recargar cada batería hasta que fallara -la forma habitual de comprobar la vida útil de una batería- podían predecir cuánto tiempo duraría una batería después de sólo sus primeros 100 ciclos de carga. Esto se debe a que el sistema de aprendizaje de la máquina, después de haber sido entrenado con unas cuantas baterías que se han ido acumulando hasta fallar, pudo encontrar patrones en los primeros datos que presagiaban cuánto tiempo duraría una batería.

En segundo lugar, el aprendizaje de las máquinas redujo el número de métodos que tenían que probar. En lugar de probar todos los métodos de carga posibles por igual, o confiar en la intuición, la computadora aprendió de sus experiencias a encontrar rápidamente los mejores protocolos para probar.

Al probar menos métodos por menos ciclos, los autores del estudio encontraron rápidamente un protocolo óptimo de carga ultra rápida para su batería. Además de acelerar drásticamente el proceso de prueba, la solución de la computadora también era mejor - y mucho más inusual - que lo que un científico de baterías probablemente hubiera ideado, dijo Ermon.

"Nos dio este protocolo de carga sorprendentemente simple, algo que no esperábamos", dijo Ermon. En lugar de cargar con la corriente más alta al principio de la carga, la solución del algoritmo utiliza la corriente más alta en el medio de la carga. "Esa es la diferencia entre un humano y una máquina: La máquina no está sesgada por la intuición humana, que es poderosa pero a veces engañosa".

Aplicaciones más amplias

Los investigadores dijeron que su enfoque podría acelerar casi todas las piezas del proceso de desarrollo de la batería: desde el diseño de la química de una batería hasta la determinación de su tamaño y forma, pasando por la búsqueda de mejores sistemas de fabricación y almacenamiento. Esto tendría amplias repercusiones no sólo para los vehículos eléctricos sino también para otros tipos de almacenamiento de energía, un requisito clave para pasar a la energía eólica y solar a escala mundial.

"Esta es una nueva forma de hacer el desarrollo de baterías", dijo Patrick Herring, co-autor del estudio y científico del Instituto de Investigación Toyota. "Tener datos que se pueden compartir entre un gran número de personas en la academia y la industria, y que se analizan automáticamente, permite una innovación mucho más rápida."

El sistema de aprendizaje de la máquina y de recolección de datos del estudio estará disponible para que los futuros científicos de la batería lo usen libremente, añadió Herring. Al utilizar este sistema para optimizar otras partes del proceso con el aprendizaje de la máquina, el desarrollo de la batería - y la llegada de nuevas y mejores tecnologías - podría acelerarse en un orden de magnitud o más, dijo.

El potencial del método del estudio se extiende incluso más allá del mundo de las baterías, dijo Ermon. Otros grandes problemas de comprobación de datos, desde el desarrollo de drogas hasta la optimización del rendimiento de los rayos X y los láseres, también podrían ser revolucionados por el uso de la optimización del aprendizaje automático. Y en última instancia, dijo, incluso podría ayudar a optimizar uno de los procesos más fundamentales de todos.

"La mayor esperanza es ayudar al proceso de descubrimiento científico en sí mismo", dijo Ermon. "Estamos pidiendo: ¿Podemos diseñar estos métodos para que surjan hipótesis automáticamente? ¿Pueden ayudarnos a extraer el conocimiento que los humanos no pudieron? A medida que mejoremos los algoritmos, esperamos que el proceso de descubrimiento científico se acelere drásticamente".

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Hechos, antecedentes, expedientes
  • baterías
  • inteligencia artificial
Más sobre Stanford University
  • Noticias

    Células electroquímicas eficientes para la conversión de CO2

    Científicos de la Universidad de Stanford han desarrollado células electroquímicas que convierten el monóxido de carbono (CO) del CO2 en compuestos comercialmente viables de manera más efectiva y eficiente que las tecnologías existentes. Su investigación proporciona una nueva estrategia par ... más