शास्त्रज्ञांनी एक मशीन लर्निंग पद्धत विकसित केली आहे जी नवीन लिथियम-आयन बॅटरी विकसित करण्यासाठी लागणारा खर्च आणि ऊर्जा नाटकीयपणे कमी करू शकते ज्यावर आधुनिक जग अधिकाधिक अवलंबून आहे.
नवीन बॅटरी डिझाइनच्या आयुष्याचा अंदाज लावणे – आणि त्याचे अभियांत्रिकी अनुप्रयोग – हे उद्योगातील एक मोठे अडथळे दर्शवते. प्रोटोटाइपची ब्रूट फोर्स चाचणी त्यांच्या आयुष्याच्या शेवटच्या उंबरठ्याजवळ येईपर्यंत त्यांना वारंवार चार्ज करून आणि डिस्चार्ज करण्यासाठी काही महिने किंवा अगदी वर्षे लागू शकतात, मोठ्या खर्चात प्रचंड प्रमाणात वीज वापरते.
एका अभ्यासात असा अंदाज आहे की विकास प्रक्रियेत कोणतेही बदल न केल्यास वर्तमान आणि भविष्यातील लिथियम बॅटरी डिझाइनसाठी 2023 ते 2040 पर्यंत 130,000 गिगावॅट-तास ऊर्जा आवश्यक आहे. कॅलिफोर्नियामध्ये (278,338 GWh) निर्माण होणाऱ्या वार्षिक विजेच्या हे जवळपास निम्मे आहे.
वैज्ञानिक जर्नल नेचरमध्ये या आठवड्यात प्रकाशित झालेल्या संशोधनात बॅटरीच्या विकासासाठी नवीन मशीन शिक्षण पद्धतीचे वर्णन केले आहे, ज्याचा लेखकांचा दावा आहे की पारंपारिक पद्धतींच्या तुलनेत 98 टक्के वेळ आणि 95 टक्के खर्च वाचू शकतो.
कनेक्टिकट विद्यापीठाचे सहाय्यक प्राध्यापक झाओ हू यांनी एका सोबतच्या लेखात म्हटले आहे की, “बॅटरी विकासातील प्रमुख अडथळे दूर करण्याची मोठी क्षमता” हे दर्शविते.
मिशिगन विद्यापीठातील पोस्टडॉक्टरल संशोधक जियावेई झांग आणि त्यांच्या टीमने विकसित केलेल्या प्रक्रियेने अचूक अंदाज लावण्यासाठी आवश्यक डेटा कमी करण्यासाठी अनावश्यक घटक एकत्र केले.
तथाकथित डिस्कव्हरी लर्निंग फ्रेमवर्क 2019 च्या अभ्यासावर आधारित आहे ज्यामध्ये असे दिसून आले आहे की बॅटरी प्रोटोटाइप चाचणीमधून सुरुवातीच्या आयुष्यातील डेटाचे शोषण करणारे मशीन लर्निंग मॉडेल चाचणी सेटवर सरासरी 15 टक्क्यांपेक्षा कमी त्रुटीसह बॅटरी आयुष्याचा अंदाज लावण्यासाठी वापरले जाऊ शकते, जे अत्यंत अचूक मानले जाते.
झांग आणि त्यांच्या सहकाऱ्यांनी मागील पद्धतीची तीन भिन्न घटकांमध्ये विभागणी केली. लर्नर मॉड्यूल नवीन डिझाईन्सचे प्रोटोटाइप निवडते जे भविष्यसूचक अचूकता सुधारण्यासाठी उपयुक्त डेटा प्रदान करतील. या प्रोटोटाइपच्या सुरुवातीच्या चाचणीनंतर, इंटरप्रिटर मॉड्यूल या डेटाचे विश्लेषण करण्यासाठी भौतिक गुणधर्मांचे मॉडेल वापरते आणि विद्यमान बॅटरींवरील ऐतिहासिक पूर्ण जीवन डेटासह. शेवटी, Oracle मॉड्यूल नवीन चाचणी केलेल्या प्रोटोटाइपच्या जीवनकाळाचा अंदाज लावण्यासाठी ते आउटपुट वापरते. महत्त्वाची गोष्ट म्हणजे, ही माहिती नंतर शिकणाऱ्या मॉड्यूलमध्ये परत दिली जाते आणि प्रत्यक्षात चाचणी करण्यासाठी पुढील प्रोटोटाइपचा संच निवडला जातो.
“डिस्कव्हरी लर्निंग मॉडेलचा एक प्रमुख नवकल्पना म्हणजे तो वेळ घेणारी पूर्ण बॅटरी लाइफ टेस्टिंगची गरज टाळून, अनुभवानुसार मोजलेले जीवनकाळ वापरण्याऐवजी, ओरॅकलने वर्तवलेल्या जीवनकालाचा वापर करून स्वतःला अपडेट करतो,” हू म्हणाले.
तथापि, तो असे दर्शवितो की जेव्हा नवीन बॅटरी डिझाइन प्रशिक्षण डेटा प्रदान करण्यासाठी उपलब्ध असलेल्या बॅटरींपासून लक्षणीयरीत्या विचलित होते तेव्हा डिटेक्शन लर्निंग फ्रेमवर्क किती चांगले कार्य करेल हे अद्याप स्पष्ट नाही.
“अधिक व्यापकपणे, सामान्य वापरासाठी फ्रेमवर्क मंजूर होण्याआधी, वास्तविक-जगातील परिस्थितींमध्ये वापरल्या जाणाऱ्या बॅटरीज, उदाहरणार्थ, बदलत्या तापमानात आणि विविध विद्युत भारांखाली ते किती चांगले धरून ठेवते हे पाहण्यासाठी पुढील प्रमाणीकरण आवश्यक आहे,” हू म्हणाले.
तथापि, इलेक्ट्रिक कार, लॅपटॉप आणि इतर अनेक ऍप्लिकेशन्सच्या सध्याच्या जागतिक मूल्यासह – $120 अब्ज किमतीची – आणि 2030 मध्ये जवळपास $500 अब्ज पर्यंत वाढण्याची अपेक्षा आहे – विकास खर्चात थोडीशी बचत देखील फरक करू शकते. ®
