AI pomůže s urychlením vývoje akumulátorů pro EV
24.2.2020, Milan Šurkala, aktualita
Vývoj nových akumulátorů nejen pro elektrické vozy probíhá na plné obrátky, testování je ale procesem, který zabírá obrovské množství času. Standfordská univerzita, MIT a Toyota vyvinuli AI, která to má urychlit.
Spousta lidí si z nějakého prazvláštního důvodu myslí, že od vymyšlení nového typu akumulátorů by to mělo trvat snad jen pár měsíců, než se nové články dostanou na trh. Něco takového je pochopitelně nesmysl a od vymyšlení konceptu a provedení prvních testů, zda vůbec nová technologie může něco přinést, následují ještě roky a roky dalšího vývoje a testů mnoha různých vlastností pro zajištění co nejlepšího výkonu. Vždyť jen pro zjištění toho, jak ideálně nabíjet nové akumulátory, je potřeba je nabít a vybít v řádů stovek i tisíců nabití, což zabere měsíce. A na základě pozorování se provede další vývoj a úpravy, načež následují další testy, které mohou trvat další měsíce a hned tu máme klidně roky testování, a to mluvíme jen o testu jedné z mnoha vlastností nových článků.
ilustrační obrázek, Hugosbento / CC BY-SA, přes Wikimedia Commons
Vědci ze Standford University, MIT a Toyota Research Institute proto vyvinuli nový systém umělé inteligence, který by dle jejich slov měl tyto časy zkrátit až o celých 98 %. Takže test, který v původních podmínkách zabral třeba dva roky, může být hotov za 16 dní. Systém využije jen omezený počet skutečných nabití a později na základě natrénování na mnoha předchozích skutečných testech odhadne výkony nového typu v různých oblastech. Mnohem rychleji tak dokáže identifikovat cesty, které s největší pravděpodobností nepovedou k vytouženému cíli a naopak.
Výsledkem má být, že by nemělo trvat mnoho (i desítek) let, než se najde např. optimální způsob nabíjení článků, který přinese krátké nabíjecí časy (třeba do 10 minut), ale přitom zajistí co nejvyšší životnost. Způsoby urychlení jsou tedy dva. Prvně, stačí provést jen několik nabíjecích cyklů a na jejich výsledky pak aplikovat AI místo pokračování v reálném testu. Za druhé, systém umožní rychlejší eliminaci neefektivních způsobů, což umožní rychleji přejít na testy dalších, které mohou být slibnější. Algoritmus přišel např. na to, že pro některé články může být vhodnější nezačínat s vysokým nabíjecím proudem, ale nižším, a ten vyšší použít až později.
