Maschinelles Lernen könnte die Entwicklung von ultraschnell aufladenden Elektroautos beschleunigen

Jahrzehntelang wurden die Fortschritte bei den Batterien für Elektrofahrzeuge durch einen großen Engpass begrenzt: die Evaluierungszeiten. In jeder Phase des Batterieentwicklungsprozesses müssen neue Technologien über Monate oder sogar Jahre getestet werden, um festzustellen, wie lange sie halten werden. Doch nun hat ein Team unter der Leitung der Stanford-Professoren Stefano Ermon und William Chueh eine auf maschinellem Lernen basierende Methode entwickelt, die diese Testzeiten um 98 Prozent verkürzt. Obwohl die Gruppe ihre Methode auf die Ladegeschwindigkeit der Batterie testete, sagte sie, dass sie auf zahlreiche andere Teile der Batterieentwicklungspipeline und sogar auf nicht-energetische Technologien angewendet werden kann.

"Beim Testen von Batterien muss man eine Vielzahl von Dingen ausprobieren, weil die Leistung, die man erhält, drastisch variiert", sagte Ermon, ein Assistenzprofessor der Informatik. "Mit KI können wir schnell die vielversprechendsten Ansätze identifizieren und viele unnötige Experimente vermeiden.

Die Studie, die am 19. Februar von Nature veröffentlicht wurde, war Teil einer größeren Zusammenarbeit zwischen Wissenschaftlern aus Stanford, dem MIT und dem Toyota-Forschungsinstitut, die eine Brücke zwischen der akademischen Grundlagenforschung und den realen Anwendungen in der Industrie schlägt. Das Ziel: die beste Methode zum Laden eines EV-Akkus in 10 Minuten zu finden, die die Gesamtlebensdauer des Akkus maximiert. Die Forscher schrieben ein Programm, das auf der Grundlage von nur wenigen Ladezyklen vorhersagte, wie die Batterien auf verschiedene Ladeansätze reagieren würden. Die Software entschied auch in Echtzeit, auf welche Ladeansätze man sich konzentrieren oder ignorieren sollte. Indem sie sowohl die Länge als auch die Anzahl der Studien reduzierten, verkürzten die Forscher den Testprozess von fast zwei Jahren auf 16 Tage.

"Wir haben herausgefunden, wie wir den Testprozess für extrem schnelles Aufladen erheblich beschleunigen können", sagte Peter Attia, der die Studie als Student mit geleitet hat. "Was aber wirklich spannend ist, ist die Methode. Wir können diesen Ansatz auf viele andere Probleme anwenden, die die Batterieentwicklung im Moment über Monate oder Jahre hinweg bremsen".

Ein intelligenterer Ansatz für Batterietests

Die Entwicklung von ultraschnell aufladbaren Batterien ist eine große Herausforderung, vor allem weil es schwierig ist, sie haltbar zu machen. Die Intensität der schnelleren Ladung belastet die Batterie stärker, was oft zu einem vorzeitigen Ausfall der Batterie führt. Um diesen Schaden am Akkupack, einer Komponente, die einen großen Teil der Gesamtkosten eines Elektroautos ausmacht, zu verhindern, müssen die Akku-Ingenieure eine Reihe von Ladeverfahren ausgiebig testen, um die am besten funktionierenden zu finden.

Die neue Forschung versuchte, diesen Prozess zu optimieren. Am Anfang sah das Team, dass die Optimierung der Schnellladetechnik vielen Trial-and-Error-Tests gleichkam - etwas, das für den Menschen ineffizient ist, für eine Maschine aber das perfekte Problem darstellt.

"Maschinelles Lernen ist Versuch und Irrtum, aber auf eine intelligentere Art und Weise", sagte Aditya Grover, eine Diplom-Informatikstudentin, die die Studie mit geleitet hat. "Computer sind viel besser als wir darin, herauszufinden, wann man erforschen - neue und andere Ansätze ausprobieren - und wann man die vielversprechendsten ausnutzen oder sich auf die vielversprechendsten konzentrieren sollte.

Das Team nutzte diese Macht auf zwei wichtige Arten zu seinem Vorteil. Erstens haben sie damit die Zeit pro Fahrradversuch reduziert. In einer früheren Studie stellten die Forscher fest, dass sie, anstatt jede Batterie aufzuladen und wieder aufzuladen, bis sie versagt - die übliche Art, die Lebensdauer einer Batterie zu testen -, vorhersagen konnten, wie lange eine Batterie bereits nach den ersten 100 Ladezyklen halten würde. Dies liegt daran, dass das maschinelle Lernsystem, nachdem es mit einigen wenigen, bis zum Ausfall getakteten Batterien trainiert wurde, Muster in den frühen Daten finden konnte, die vorhersagen, wie lange eine Batterie halten würde.

Zweitens reduzierte das maschinelle Lernen die Anzahl der Methoden, die sie testen mussten. Anstatt alle möglichen Auflademethoden gleichermaßen zu testen oder sich auf die Intuition zu verlassen, hat der Computer aus seinen Erfahrungen gelernt, schnell die besten Protokolle zu finden, die man testen kann.

Durch das Testen von weniger Methoden für weniger Zyklen fanden die Autoren der Studie schnell ein optimales Ultra-Schnell-Ladeprotokoll für ihre Batterie. Neben der dramatischen Beschleunigung des Testprozesses war die Lösung des Computers auch besser - und viel ungewöhnlicher - als das, was ein Batterie-Wissenschaftler wahrscheinlich erdacht hätte, sagte Ermon.

"Es gab uns dieses überraschend einfache Ladeprotokoll - etwas, das wir nicht erwartet hatten", sagte Ermon. Anstatt zu Beginn der Ladung mit dem höchsten Strom zu laden, verwendet die Lösung des Algorithmus den höchsten Strom in der Mitte der Ladung. "Das ist der Unterschied zwischen einem Menschen und einer Maschine: Die Maschine ist nicht durch die menschliche Intuition voreingenommen, die zwar mächtig, aber manchmal irreführend ist".

Umfassendere Anwendungen

Die Forscher sagten, dass ihr Ansatz fast jedes Stück der Batterieentwicklungspipeline beschleunigen könne: vom Entwurf der Chemie einer Batterie über die Bestimmung ihrer Größe und Form bis hin zur Suche nach besseren Systemen für die Herstellung und Lagerung. Dies hätte weitreichende Auswirkungen nicht nur auf Elektrofahrzeuge, sondern auch auf andere Arten der Energiespeicherung, eine Schlüsselvoraussetzung für die Umstellung auf Wind- und Sonnenenergie im globalen Maßstab.

"Dies ist eine neue Art der Batterieentwicklung", sagte Patrick Herring, Mitverfasser der Studie und Wissenschaftler am Toyota-Forschungsinstitut. "Daten zu haben, die Sie mit einer großen Anzahl von Menschen in der Wissenschaft und Industrie teilen können und die automatisch analysiert werden, ermöglicht eine viel schnellere Innovation.

Das maschinelle Lern- und Datenerfassungssystem der Studie wird zukünftigen Batterie-Wissenschaftlern zur freien Nutzung zur Verfügung gestellt, fügte Herring hinzu. Durch die Nutzung dieses Systems zur Optimierung anderer Teile des Prozesses mit maschinellem Lernen könnte die Batterieentwicklung - und die Ankunft neuerer, besserer Technologien - um eine Größenordnung oder mehr beschleunigt werden, sagte er.

Das Potenzial der Methode der Studie reicht sogar über die Welt der Batterien hinaus, sagte Ermon. Andere große Probleme bei der Datenprüfung, von der Medikamentenentwicklung bis zur Optimierung der Leistung von Röntgenstrahlen und Lasern, könnten ebenfalls durch den Einsatz der Optimierung des maschinellen Lernens revolutioniert werden. Und schließlich, so sagte er, könne sie sogar helfen, einen der grundlegendsten Prozesse überhaupt zu optimieren.

"Die grössere Hoffnung besteht darin, den Prozess der wissenschaftlichen Entdeckung selbst zu unterstützen", sagte Ermon. "Wir fragen: Können wir diese Methoden so gestalten, dass sie automatisch zu Hypothesen führen? Können sie uns helfen, Wissen zu extrahieren, das die Menschen nicht gewinnen konnten? Da wir immer bessere Algorithmen erhalten, hoffen wir, dass sich der gesamte wissenschaftliche Entdeckungsprozess drastisch beschleunigen wird.