बैटरी विकास में क्रांति: मशीन लर्निंग लिथियम-आयन बैटरी नवाचार को तेज़ और सस्ता बनाती है

वैश्विक - इख़बारी समाचार एजेंसी

बैटरी विकास में क्रांति: मशीन लर्निंग लिथियम-आयन बैटरी नवाचार को तेज़ और सस्ता बनाती है

इलेक्ट्रिक वाहनों, पोर्टेबल इलेक्ट्रॉनिक्स और नवीकरणीय ऊर्जा ग्रिड को तेजी से अपनाने के कारण ऊर्जा भंडारण की वैश्विक मांग लगातार बढ़ रही है। इस परिवर्तन के केंद्र में लिथियम-आयन बैटरियां हैं, फिर भी उनका विकास लंबे समय से एक महत्वपूर्ण बाधा से ग्रस्त रहा है: नई डिजाइनों का परीक्षण करने की कठिन और समय लेने वाली प्रक्रिया। हालांकि, प्रतिष्ठित पत्रिका नेचर में प्रकाशित वैज्ञानिकों की एक अंतरराष्ट्रीय टीम द्वारा हाल ही में की गई एक सफलता इस परिदृश्य में क्रांति लाने का वादा करती है, जिसमें एक मशीन लर्निंग विधि पेश की गई है जो अगली पीढ़ी की लिथियम-आयन बैटरियों को बाजार में लाने के लिए आवश्यक लागत और ऊर्जा को नाटकीय रूप से कम कर सकती है।

परंपरागत रूप से, एक नई बैटरी डिज़ाइन के जीवनकाल और वास्तविक दुनिया की प्रयोज्यता का निर्धारण करने में एक श्रमसाध्य 'क्रूर-बल' दृष्टिकोण शामिल होता है। प्रोटोटाइप को अनगिनत चार्ज-डिस्चार्ज चक्रों के अधीन किया जाता है, अक्सर महीनों या यहां तक कि वर्षों तक, जब तक वे अपने जीवन-काल के अंत की दहलीज तक नहीं पहुंच जाते। यह प्रक्रिया न केवल बेहद धीमी है बल्कि अविश्वसनीय रूप से ऊर्जा-गहन और महंगी भी है। एक अध्ययन से एक निराशाजनक अनुमान ने भविष्यवाणी की कि यदि विकास प्रक्रिया में कोई मूलभूत परिवर्तन नहीं किया गया, तो वर्तमान और भविष्य की लिथियम बैटरी डिज़ाइन 2023 और 2040 के बीच सामूहिक रूप से चौंका देने वाले 130,000 गीगावाट-घंटे (GWh) ऊर्जा की खपत कर सकती हैं। इसे परिप्रेक्ष्य में रखने के लिए, यह आंकड़ा पूरे कैलिफोर्निया राज्य (278,338 GWh) में सालाना उत्पन्न होने वाली बिजली का लगभग आधा प्रतिनिधित्व करता है, जो बैटरी नवाचार के लिए एक अस्थिर प्रक्षेपवक्र को उजागर करता है।

नया शोध 'डिस्कवरी लर्निंग' नामक एक परिष्कृत मशीन लर्निंग ढांचे का परिचय देता है, जिसके निर्माता दावा करते हैं कि यह पारंपरिक तरीकों की तुलना में 98 प्रतिशत समय और 95 प्रतिशत लागत बचा सकता है। यह प्रतिमान बदलाव व्यापक भौतिक परीक्षण से हटकर बुद्धिमान, डेटा-संचालित भविष्यवाणी की ओर बढ़ता है। कनेक्टिकट विश्वविद्यालय के एक एसोसिएट प्रोफेसर डॉ. चाओ हू ने एक संबंधित लेख में इस नवाचार की सराहना करते हुए कहा कि यह "बैटरी विकास में एक महत्वपूर्ण बाधा से निपटने के लिए एक बड़ी क्षमता" दिखाता है।

मिशिगन विश्वविद्यालय के पोस्टडॉक्टोरल शोधकर्ता जियावेई झांग और उनकी टीम द्वारा विकसित, डिस्कवरी लर्निंग ढांचा 2019 के एक अध्ययन के मूलभूत कार्य पर आधारित है। उस पिछले शोध ने प्रदर्शित किया था कि एक मशीन लर्निंग मॉडल प्रोटोटाइप परीक्षण से शुरुआती जीवन डेटा का लाभ उठाकर बैटरी के जीवनकाल की सटीक भविष्यवाणी कर सकता है, परीक्षण सेटों पर 15 प्रतिशत से कम औसत त्रुटि प्राप्त कर सकता है। झांग और उनके सहयोगियों ने इस अवधारणा को विधि को तीन आपस में जुड़े मॉड्यूल में विभाजित करके परिष्कृत किया: लर्नर, इंटरप्रेटर और ओरेकल।

यह प्रक्रिया 'लर्नर' मॉड्यूल से शुरू होती है, जो नई बैटरी डिजाइनों के प्रोटोटाइप का बुद्धिमानी से चयन करता है जो भविष्य कहनेवाला सटीकता में सुधार के लिए मूल्यवान डेटा प्रदान करने की सबसे अधिक संभावना रखते हैं। इन चयनित प्रोटोटाइपों को तब प्रारंभिक, शुरुआती चरण के परीक्षण से गुजरना पड़ता है। 'इंटरप्रेटर' मॉड्यूल बाद में इस शुरुआती जीवन डेटा को लेता है और, मौजूदा बैटरियों से ऐतिहासिक पूर्ण-जीवन डेटा के साथ भौतिक गुणों के मॉडल को एकीकृत करके, एक व्यापक विश्लेषण करता है। अंत में, 'ओरेकल' मॉड्यूल इंटरप्रेटर से आउटपुट का उपयोग करके नव-परीक्षण किए गए प्रोटोटाइपों के जीवनकाल की भविष्यवाणी करता है। महत्वपूर्ण रूप से, नवाचार एक फीडबैक लूप में निहित है: यह अनुमानित जीवनकाल की जानकारी तब लर्नर मॉड्यूल में वापस फीड की जाती है, जो शारीरिक रूप से परीक्षण करने के लिए प्रोटोटाइप के अगले बैच के चयन को सूचित करती है। यह पुनरावृत्तीय, आत्म-सुधार चक्र ढांचे की दक्षता का आधारशिला है।

डॉ. हू ने इस महत्वपूर्ण अंतर पर जोर देते हुए कहा, "डिस्कवरी लर्निंग मॉडल की एक प्रमुख नवीनता यह है कि यह ओरेकल द्वारा अनुमानित जीवनकाल का उपयोग करके खुद को अपडेट करता है, बजाय प्रयोगात्मक रूप से मापा जीवनकाल का उपयोग करने के, जिससे समय लेने वाले पूर्ण-जीवन बैटरी परीक्षण की आवश्यकता से बचा जा सकता है।" यह पारंपरिक बैटरी विकास के सबसे संसाधन-गहन पहलू को समाप्त करता है, अनुसंधान और विकास चक्र के तेजी से त्वरण का वादा करता है।

हालांकि, व्यापक अपनाने का मार्ग चुनौतियों से रहित नहीं है। डॉ. हू एक सतर्क दृष्टिकोण भी प्रदान करते हैं, यह उजागर करते हुए कि यह अभी भी स्पष्ट नहीं है कि जब डिस्कवरी लर्निंग ढांचा नई बैटरी डिजाइनों का सामना करेगा जो अपने प्रारंभिक प्रशिक्षण डेटा के लिए उपयोग की जाने वाली बैटरियों की विशेषताओं से काफी भिन्न हैं, तो यह कितना मजबूत होगा। इसके अलावा, वह बताते हैं कि "ढांचे को सामान्य उपयोग के लिए अपनाने से पहले, यह देखने के लिए और सत्यापन की आवश्यकता है कि यह वास्तविक दुनिया की स्थितियों में उपयोग की जाने वाली बैटरियों के लिए कितना अच्छा काम करता है, उदाहरण के लिए, परिवर्तनीय तापमान पर और विभिन्न विद्युत भार के तहत।" ये विचार बैटरी प्रौद्योगिकियों के जटिल स्पेक्ट्रम में ढांचे की विश्वसनीयता और व्यापक प्रयोज्यता सुनिश्चित करने के लिए विभिन्न परिचालन परिदृश्यों के तहत निरंतर अनुसंधान और कठोर परीक्षण के महत्व को रेखांकित करते हैं।

इख़बारी समाचार एजेंसी