向全电动的未来过渡取决于低成本、高性能和更安全的电池。用下一代电化学成分(如固态)来优化电池的能量密度和功率的努力,已经取得了不同程度的成功。然而,他们还没有一个达到商业化阶段,以满足电动车、医疗设备、无人机和储能解决方案等先进技术的爆炸性需求。

 

随着中国、欧洲和美国争相主导全球电池市场(预计到2027年将达到2797亿美元),AI已成为加速创新速度的一个非常有前景的工具。

 

不过,为了实现这一目标,下一代电池必须能够快速充电还要保证安全。它们还需要超越目前的性能标准,同时保持较低的重量,电池材料也需易于量产。

 

研究人员已经花了几十年的时间来研究解决方案,但进展一直被缓慢的实验、漫长的周期和困难的发现过程所阻碍。AI可以帮助解决这些长期存在的挑战,并将评估电池材料、电池结构和化学成分的过程从几年缩短到几个月。

 

缩短漫长的评估期

 

获得电池性能数据的传统方法包括不断向电芯注入能量,直到它们寿命总结。研究人员可能不得不花费数年时间对电池进行成千上万次的充放电过程,以获得他们需要的结果。这是研究人员预测电池衰减的方式,而这一过程对于开发更安全、不易燃的电池至关重要。考虑到电动车和住宅太阳能储能需求的急剧增加,显然没有什么时间可以浪费了。

 

采取系统级的方法,电池科学家可以应用AI来更有效地测试和了解电池组、它们的集成和预期性能。AI的这种应用还包括各种电池类型、其不同的化学成分和预期性能,并能帮助确定在多个电池或电池包内分配能量的最佳方法。

 

更快、更有效地发现新材料过去,研究人员面临着为下一代电池应用减少必要的替代材料的艰巨任务。这个过程需要评估人员从从测试中收集的大量数据中提取洞察力。研究人员只能以机器计算信息的速度进行操作,往往需要数年时间才能有进展。

 

AI可以解锁一些原本不会被考虑的有用材料组合。AI在发现新材料领域产生了有趣的结果,例如超导体,而且它在电池领域似乎也很有希望。

 

 

用AI优化电池结构

 

 

虽然在过去几十年里,大多数改进电池的努力都集中在电化学领域,但改变电池的物理性质已被证明可以提高电池密度、容量、安全性和其他关键性能指标。AI可以帮助电池科学家更好地理解电极层面的结构与性能的关系,以便为任何特定的应用设计最佳的电池结构。根据电池的使用方式和其他技术规格,AI可以对可能的结构设计提出深刻的建议,从而优化电池性能。

 

AI算法甚至可以根据尚未应用的新兴技术和化学物质提出可能性。这就像拥有一个强大的电池原型工厂,在节省时间和成本方面对整个价值链有巨大好处。

 

例如,从汽车的角度来看,电动车的性能有很大一部分是基于电芯的。这就是为什么把它与AI的能力联系起来非常重要,以便更好地了解如何改善BMS,改善电池的能力。这将有助于为下一代动力电池的开发打下基础。

 

AI将决定电池竞赛的输赢吗?

 

尽管AI仍然是电池科学中的一个新兴应用,但我们开始看到了其巨大的潜力。例如,斯坦福大学、MIT和丰田研究院的研究人员用AI来确定在10分钟内为电动车电池充电的最佳方法。传统的方法需要500天的评估过程,但该小组能够在短短16天内利用高度针对性的AI算法,在224个候选方案中确定了最佳充电方法。

 

不仅仅是研究人员,大公司也是如此。大众与与谷歌合作,正在使用AI和量子计算来模拟和优化高性能电池的结构。松下声称,由于AI的助力,在测试新设计时,大大减少了充放电的次数。虽然只是几个例子,但随着机器学习技术的发展,其应用和优势也将不断增加。

 

电池行业是一个越来越拥挤的赛道,新老玩家都在谋求下一个伟大的电池技术突破。由于下一代电池的商业化需要5-15年的时间,保持竞争优势可能需要成功采用AI来加速测试阶段,并确定改进成本效率和性能的领域。

 

 

[参考文章]

Next-Generation Batteries Will Be Brought to You by AI — Dr. Moshiel Biton