तुमचा जन्म झाला त्यादिवशी तुम्ही किती दिवस जगाल असे मानसशास्त्रज्ञ तुमच्या पालकांना सांगत असल्याची कल्पना करा.असाच अनुभव बॅटरी केमिस्टसाठी शक्य आहे जे प्रायोगिक डेटाच्या एका चक्राच्या आधारे बॅटरीच्या आयुष्याची गणना करण्यासाठी नवीन संगणकीय मॉडेल वापरत आहेत.

एका नवीन अभ्यासात, यूएस डिपार्टमेंट ऑफ एनर्जीच्या (DOE) अर्गोन नॅशनल लॅबोरेटरीतील संशोधकांनी वेगवेगळ्या बॅटरी रसायनांच्या विस्तृत श्रेणीच्या जीवनकाळाचा अंदाज लावण्यासाठी मशीन लर्निंगच्या सामर्थ्याकडे वळले आहे.सहा वेगवेगळ्या बॅटरी रसायनांचे प्रतिनिधित्व करणाऱ्या 300 बॅटरीच्या संचामधून अर्गोन येथे एकत्रित केलेल्या प्रायोगिक डेटाचा वापर करून, शास्त्रज्ञ अचूकपणे निर्धारित करू शकतात की वेगवेगळ्या बॅटरी किती काळ सायकल चालवत राहतील.

अर्गोन संशोधकांनी विविध रसायनशास्त्रांच्या विस्तृत श्रेणीसाठी बॅटरी सायकलच्या आयुष्याचा अंदाज लावण्यासाठी मशीन लर्निंग मॉडेल्सचा वापर केला आहे.(शटरस्टॉक/सीलस्टेप द्वारे प्रतिमा.)

मशीन लर्निंग अल्गोरिदममध्ये, शास्त्रज्ञ संगणक प्रोग्रामला डेटाच्या सुरुवातीच्या संचावर निष्कर्ष काढण्यासाठी प्रशिक्षण देतात आणि नंतर डेटाच्या दुसऱ्या संचावर निर्णय घेण्यासाठी त्या प्रशिक्षणातून काय शिकले ते घेतात.

“प्रत्येक प्रकारच्या बॅटरी ऍप्लिकेशनसाठी, सेल फोनपासून ते इलेक्ट्रिक वाहनांपर्यंत ग्रिड स्टोरेजपर्यंत, प्रत्येक ग्राहकासाठी बॅटरीचे आयुष्य मूलभूत महत्त्व आहे,” असे अर्गोन संगणकीय शास्त्रज्ञ नोआ पॉलसन, अभ्यासाचे लेखक म्हणाले.“बॅटरी अयशस्वी होईपर्यंत हजारो वेळा सायकल चालवावी लागणे वर्षे लागू शकतात;आमची पद्धत एक प्रकारचे संगणकीय चाचणी किचन तयार करते जिथे आम्ही त्वरीत स्थापित करू शकतो की वेगवेगळ्या बॅटरी कशा कार्यप्रदर्शन करणार आहेत."

"सध्या, बॅटरीची क्षमता कशी कमी होते याचे मूल्यांकन करण्याचा एकमेव मार्ग म्हणजे प्रत्यक्षात बॅटरी सायकल चालवणे," असे अर्गोन इलेक्ट्रोकेमिस्ट सुसान "सू" बाबिनेक, अभ्यासाचे आणखी एक लेखक जोडले."हे खूप महाग आहे आणि यास बराच वेळ लागतो."

पॉलसनच्या मते, बॅटरी आयुष्यभर स्थापन करण्याची प्रक्रिया अवघड असू शकते."वास्तविकता अशी आहे की बॅटऱ्या कायम टिकत नाहीत आणि त्या किती काळ टिकतात हे आपण ज्या पद्धतीने वापरतो, तसेच त्यांची रचना आणि रसायनशास्त्र यावर अवलंबून असते," तो म्हणाला.“आतापर्यंत, बॅटरी किती काळ टिकेल हे जाणून घेण्याचा खरोखर चांगला मार्ग नाही.लोकांना नवीन बॅटरीवर पैसे खर्च करेपर्यंत त्यांच्याकडे किती वेळ आहे हे जाणून घ्यायचे आहे.”

या अभ्यासाचा एक अनोखा पैलू असा आहे की तो Argonne येथे विविध प्रकारच्या बॅटरी कॅथोड सामग्रीवर, विशेषत: Argonne च्या पेटंट केलेल्या निकेल-मँगनीज-कोबाल्ट (NMC) आधारित कॅथोडवर केलेल्या विस्तृत प्रायोगिक कार्यावर अवलंबून आहे.पॉलसन म्हणाले, "आमच्याकडे वेगवेगळ्या रसायनांचे प्रतिनिधित्व करणाऱ्या बॅटरी होत्या, ज्या वेगवेगळ्या प्रकारे खराब होतात आणि निकामी होतात.""या अभ्यासाचे मूल्य असे आहे की त्याने आम्हाला सिग्नल दिले जे भिन्न बॅटरी कसे कार्य करतात याचे वैशिष्ट्य आहे."

या क्षेत्रातील पुढील अभ्यासात लिथियम-आयन बॅटरीच्या भविष्यासाठी मार्गदर्शन करण्याची क्षमता आहे, पॉलसन म्हणाले."आम्ही करू शकणाऱ्या गोष्टींपैकी एक म्हणजे ज्ञात रसायनशास्त्रावर अल्गोरिदम प्रशिक्षित करणे आणि अज्ञात रसायनशास्त्रावर अंदाज लावणे," तो म्हणाला."मूलत:, अल्गोरिदम आपल्याला नवीन आणि सुधारित रसायनशास्त्राच्या दिशेने निर्देशित करण्यात मदत करू शकते जे दीर्घ आयुष्य देतात."

अशाप्रकारे, पॉलसनचा असा विश्वास आहे की मशीन लर्निंग अल्गोरिदम बॅटरी सामग्रीच्या विकास आणि चाचणीला गती देऊ शकते.“सांग, तुमच्याकडे नवीन साहित्य आहे आणि तुम्ही ते काही वेळा सायकल चालवता.तुम्ही आमच्या अल्गोरिदमचा वापर करून त्याच्या दीर्घायुष्याचा अंदाज लावू शकता आणि नंतर तुम्हाला ते प्रायोगिकपणे सायकल चालवायचे आहे की नाही याचा निर्णय घेऊ शकता.”

“तुम्ही प्रयोगशाळेत संशोधक असाल, तर तुम्ही कमी वेळात आणखी अनेक साहित्य शोधू शकता आणि तपासू शकता कारण तुमच्याकडे त्यांचे मूल्यांकन करण्याचा जलद मार्ग आहे,” Babinec जोडले.

अभ्यासावर आधारित एक पेपर, "मशीन लर्निंगसाठी वैशिष्ट्य अभियांत्रिकीमुळे बॅटरीच्या आयुष्याचा लवकर अंदाज लावणे शक्य झाले,” जर्नल ऑफ पॉवर सोर्सेसच्या 25 फेब्रुवारीच्या ऑनलाइन आवृत्तीमध्ये दिसून आले.

पॉलसन आणि बाबिनेक व्यतिरिक्त, पेपरच्या इतर लेखकांमध्ये अर्गोनचे जोसेफ कुबल, लोगन वार्ड, सौरभ सक्सेना आणि वेनक्वान लू यांचा समावेश आहे.

या अभ्यासाला अर्गोन प्रयोगशाळा-निर्देशित संशोधन आणि विकास (LDRD) अनुदानाद्वारे निधी दिला गेला.