التعلم الآلي يُحدث ثورة في تطوير بطاريات الليثيوم أيون، واعدًا بابتكارات أسرع وأقل تكلفة

عالمي - وكالة أنباء إخباري

التعلم الآلي يُحدث ثورة في تطوير بطاريات الليثيوم أيون، واعدًا بابتكارات أسرع وأقل تكلفة

تلقى السباق العالمي لتعزيز حلول تخزين الطاقة دفعة كبيرة مع الكشف عن منهجية رائدة في التعلم الآلي، والتي تستعد لتسريع تطوير بطاريات الليثيوم أيون المتقدمة بشكل كبير. يعد هذا النهج المبتكر، الذي طوره فريق من العلماء، بخفض التكاليف الباهظة واستهلاك الطاقة الهائل المرتبط تقليديًا بطرح تقنيات البطاريات الجديدة في السوق، وهو تقدم حاسم لعالم يعتمد بشكل متزايد على الطاقة المحمولة والمركبات الكهربائية.

لطالما كان العائق الرئيسي في صناعة البطاريات هو العملية الطويلة والمكلفة والمستهلكة للموارد للتنبؤ بعمر تصميم البطارية الجديد ومدى ملاءمته لمختلف التطبيقات الهندسية. تتضمن بروتوكولات الاختبار التقليدية طرق 'القوة الغاشمة'، حيث تُخضع النماذج الأولية لدورات شحن وتفريغ متكررة حتى تقترب من عتبة نهاية عمرها الافتراضي. يمكن أن تمتد هذه العملية الشاقة لأشهر، أو حتى سنوات، وتستهلك كميات هائلة من الكهرباء وتتكبد نفقات مالية كبيرة. تؤكد تقديرات الصناعة هذا التحدي: فقد توقعت إحدى الدراسات أنه بدون تغييرات جوهرية في عملية التطوير، قد تتطلب تصميمات بطاريات الليثيوم الحالية والمستقبلية 130 ألف جيجاوات ساعة من الطاقة بين عامي 2023 و2040. لوضع هذا في منظوره الصحيح، يمثل هذا الرقم ما يقرب من نصف الكهرباء السنوية المولدة في ولاية كاليفورنيا بأكملها (278,338 جيجاوات ساعة)، مما يسلط الضوء على الطبيعة غير المستدامة للنماذج الحالية.

في تطور يشير إلى تحول نموذجي، يقدم بحث نُشر مؤخرًا في المجلة العلمية المرموقة Nature إطار عمل جديد للتعلم الآلي في تطوير البطاريات. يؤكد مؤلفوه أن هذا النهج الجديد يمكن أن يحقق كفاءات مذهلة، ومن المحتمل أن يوفر 98 بالمائة من الوقت و95 بالمائة من التكلفة مقارنة بالأساليب التقليدية. يمثل هذا قفزة هائلة إلى الأمام، ويوفر مسارًا للتكرار السريع وتحسين تصميمات البطاريات.

أكد الدكتور تشاو هو، الأستاذ المساعد في جامعة كونيتيكت، على الآثار العميقة لهذا الاختراق في مقال مصاحب. وذكر أن إطار العمل يظهر "إمكانات كبيرة لمعالجة عنق الزجاجة الرئيسي في تطوير البطاريات". يكمن جوهر هذا الابتكار في إطار عمل 'التعلم الاكتشافي'، وهي عملية صممها بدقة باحث ما بعد الدكتوراه بجامعة ميشيغان جياوي تشانغ وفريقه المتفاني. تدمج طريقتهم ببراعة عناصر تكرارية لتقليل حجم البيانات المطلوبة بشكل كبير لتوليد تنبؤات دقيقة حول أداء البطارية وطول عمرها.

بناءً على دراسة تأسيسية أجريت عام 2019، والتي أظهرت فعالية نموذج التعلم الآلي في التنبؤ بأعمار البطاريات بأقل من 15 بالمائة متوسط خطأ في مجموعات الاختبار، من خلال استغلال بيانات العمر المبكر من النماذج الأولية، قام تشانغ وزملاؤه بتحسين هذا المفهوم. قاموا بتقسيم المنهجية السابقة بدقة إلى ثلاث وحدات متميزة، ولكنها مترابطة: وحدة التعلم (Learner)، ووحدة المفسر (Interpreter)، ووحدة أوراكل (Oracle).

تبدأ وحدة التعلم العملية باختيار ذكي للنماذج الأولية لتصميمات البطاريات الجديدة. تستهدف معايير الاختيار الخاصة بها تحديد التصميمات التي من المرجح أن توفر بيانات قيمة، وبالتالي تعزيز دقة التنبؤ الشاملة للنظام. بعد الاختبار الأولي في العمر المبكر لهذه النماذج الأولية المختارة، تدخل وحدة المفسر حيز التنفيذ. تستخدم هذه الوحدة نماذج متطورة متجذرة في الخصائص الفيزيائية لتحليل البيانات المكتسبة حديثًا بدقة، ودمجها مع بيانات العمر الكامل التاريخية المستقاة من البطاريات الموجودة. تتوج هذه المرحلة التحليلية في وحدة أوراكل، التي تستخدم هذا الناتج الغني للتنبؤ بأعمار النماذج الأولية التي تم اختبارها حديثًا. الأهم من ذلك، أن المعلومات التي تولدها أوراكل - وتحديداً تنبؤاتها بالعمر الافتراضي - يتم تغذيتها مرة أخرى في وحدة التعلم. تعتبر حلقة التغذية الراجعة التكرارية هذه مركزية لكفاءة إطار العمل، حيث توجه اختيار المجموعة التالية من النماذج الأولية للاختبار الفعلي، وبالتالي تتجنب الحاجة إلى التحقق التجريبي الشامل للعمر الكامل في كل مرحلة.

أكد البروفيسور هو على براعة هذا التصحيح الذاتي التكراري، مشيرًا إلى أن "الجدة الرئيسية لنموذج التعلم الاكتشافي هي أنه يحدث نفسه باستخدام الأعمار المتوقعة من قبل أوراكل، بدلاً من استخدام الأعمار المقاسة تجريبيًا، مما يتجنب الحاجة إلى اختبار البطارية كامل العمر الذي يستغرق وقتًا طويلاً." هذه الآلية ذاتية التحسين هي بالضبط ما يسمح بمثل هذه التخفيضات الهائلة في وقت التطوير وتكلفته.

ومع ذلك، قدم هو أيضًا منظورًا تحذيريًا، مسلطًا الضوء على المجالات التي تتطلب مزيدًا من البحث. وأشار إلى أن أداء إطار العمل عندما تنحرف تصميمات البطاريات الجديدة بشكل كبير عن خصائص بيانات التدريب المتاحة لا يزال سؤالًا مفتوحًا. علاوة على ذلك، نصح بأنه "قبل اعتماد إطار العمل للاستخدام العام، هناك حاجة إلى مزيد من التحقق لمعرفة مدى صموده لبطاريات تستخدم في ظروف العالم الحقيقي، على سبيل المثال، في درجات حرارة متغيرة وتحت أحمال كهربائية مختلفة." هذه الاعتبارات حاسمة لضمان قوة إطار عمل التعلم الاكتشافي وتطبيقه الواسع عبر بيئات التشغيل المتنوعة.

على الرغم من هذه التحذيرات، فإن التأثير المحتمل لهذا البحث هائل. من المتوقع أن يرتفع سوق البطاريات العالمي، الذي تقدر قيمته حاليًا بـ 120 مليار دولار للتطبيقات التي تشمل المركبات الكهربائية وأجهزة الكمبيوتر المحمولة وعدد لا يحصى من الأجهزة الأخرى، إلى ما يقرب من 500 مليار دولار بحلول عام 2030. في مثل هذا المشهد المتوسع والتنافسي بسرعة، يمكن أن تترجم حتى المدخرات الهامشية في تكاليف ووقت التطوير إلى مزايا تنافسية كبيرة وتعزز الابتكار بشكل أسرع، مما يعود بالنفع في النهاية على المستهلكين ويسرع الانتقال إلى تقنيات أكثر استدامة.

وكالة أنباء إخباري