Công nghệ AI mới giúp dự đoán tuổi thọ pin chỉ sau 50 chu kỳ thử nghiệm

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 ước tính về tuổi thọ pin.

Các nhà nghiên cứu tại Đại học Michigan vừa phát triển một hệ thống học máy có khả năng dự đoán tuổi thọ của pin chỉ sau một phần nhỏ thời gian thử nghiệm truyền thống, giúp đẩy nhanh quá trình thiết kế và thử nghiệm pin. Hệ thống này có thể rút ngắn quá trình tạo mẫu từ vài tháng đến vài năm, mang lại tiềm năng cải thiện đáng kể trong việc phát triển các 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 ước tính về tuổi thọ pin. Theo nhóm nghiên cứu, phương pháp này giúp giảm tới 95% thời gian và năng lượng cần thiết cho quá trình thử nghiệm, tạo điều kiện cho 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 dẫn dắt 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 loạt công cụ tự động, mỗi công cụ đảm nhiệm một vai trò chuyên biệt trong việc kiểm tra và phân tích dữ liệu thử nghiệm. Các công cụ này hoạt động đồng bộ 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 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 kiểm tra các dự đoán của hệ thống. Khung AI này lấy cảm hứng từ phương pháp học tập khám phá, một nguyên tắc khoa học giúp các "học viên" 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 cụ thể. 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 các kết quả này với các kiến thức sẵn có để đưa ra dự đoán về 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 thể dự đoán chính xác tuổi thọ của pin chỉ sau vài ngày thử nghiệm, thay vì hàng tháng hoặc hàng năm như các phương pháp truyền thống. Điều này giúp tiết kiệm không chỉ thời gian mà còn cả năng lượng, với chỉ 5% năng lượng cần thiết so với các thử nghiệm quy mô lớn trong phòng thí nghiệm.

Ngoài việc dự đoán tuổi thọ chu kỳ, nhóm nghiên cứu đang hướng tới các ứng dụng mở rộng hơn, bao gồm tối ưu hóa tốc độ sạc, xác định giới hạn an toàn của pin và tìm ra các vật liệu phù hợp cho pin lithium-ion thế hệ tiếp theo.

Tầm nhìn của nhóm nghiên cứu không chỉ giới hạn trong lĩnh vực lưu trữ năng lượng. Phương pháp học tập khám phá có thể được áp dụng trong nhiều lĩnh vực khoa học khác, chẳng hạn như hóa học và khoa học vật liệu, giúp giảm thiểu chi phí và thời gian cho các thử nghiệm trong các ngành này.