Bloomberg New EnergyFinanceのElectricVehicle Outlook 2018によると、2030年までに世界の電気自動車（EV）の総売上高は3,000万台を超えると予想され、コストパラメータは最終的に内燃機関と一致するようになります。 EVは自動車産業の大きな変化を表しており、ビジネスと環境への潜在的な影響は説得力があります。今日、EVの採用と寿命についての議論は盛んに行われており、EVバッテリーの潜在的な性能に他なりません。科学者にとっては、バッテリーの安全性、エネルギー密度、充電能力、車内での性能など、多くの課題が残っています。
この機能では、StoreDotのCEOであるDoron Myersdorf博士が、AIがこれらの問題を解決するための鍵を握る方法と、エネルギー貯蔵とEVの将来に対するこのアプローチの可能性について説明します。
世界のバッテリー市場への賭けは信じられないほど高いです。欧州委員会のロベルト・ビオラのDG Connectの局長によると、2025年から年間2500億ポンド以上の価値があり、EUだけで400万人の雇用が創出される可能性があると推定されています。ほとんどの消費財にすでに不可欠なこれらのバッテリーは、EVにとってさらに重要であり、広く採用されることでパフォーマンスが向上します。
「現在、自動車やバッテリーのメーカーは、従来の化石燃料ベースの車両のタンクを満たすのと同じ速さで充電するEVバッテリーを提供すると主張することはできません。また、同じ範囲を提供することもできません。たとえば、フォルクスワーゲンe-Upはフル充電で99マイルを提供し、テスラモデルS100Dはフル充電で335マイルの範囲を提供します。ただし、これらの車両はいずれも数分で完全に充電することはできません。現在、テスラのスーパーチャージャーステーションはフル充電に達するまで75分かかりますが、シンガポール最大のEVネットワークであるSPグループは30分しかかかりません。
「リチウムイオン電池がこれらの問題のいくつかを解決する可能性は非常に大きいです。ただし、リチウムイオン電池には、より高いエネルギー密度の必要性から、卓越したレート性能と改善された安全要件まで、急速な充電を妨げる多くの課題があります。電池の化学的性質の問題を克服することは、主に実験の反復設計と体系的な試行錯誤に基づいた、遅い研究プロセスです。実際、多くの新しい進歩は、市場に出る前に失敗します。
「私たちのような研究開発施設では、サイクラーは毎秒バッテリーセルから情報を収集します。この情報には、セル温度、リアルタイム抵抗、動作電圧ウィンドウ、充電および放電電流、膨潤レベルなどの重要な性能パラメータが含まれます。情報は、実験ごとに収集されたテラバイトのデータとともに、数千のバッテリーから同時に収集されます。結果として、これらの材料の組み合わせの数は無限であり、各組み合わせをテストするために必要な実験の数も同様にそうです。従来の統計的または手動の方法で解決することは非常に困難です。
「しかし、バッテリー開発にデータサイエンスを採用するための全体的なアプローチは、このような複雑なモデルを解決するための鍵を握ることができます。人工知能（AI）は、今日の流行語です。簡単に言えば、AI、つまり機械学習は、人間の脳よりもはるかに速いペースで情報を評価し、数学モデルを構築することができます。 AIは、システムが明示的にプログラムされていなくても、経験から自動的に学習して改善できることを意味します。
「複数の業界にわたるAIの現在および潜在的な影響は、驚異的です。製造業では、世界最大の企業のいくつかがすでにAIを使用しており、印象的な結果をもたらしています。たとえば、Royal DutchShellのSmartManufacturing Systemは、AIを使用して石油の需要を予測し、供給不足を測定し、正確な精製プロセスのために正しい混合/ブレンドを分析します。 BASFとSAPは、AIによる支払い処理の94％を自動化したと主張しています。 AIのアプリケーションの可能性は広い–
材料の設計と合成から、実験計画、故障分析、廃棄物の最小化まで。 AIを使用すると、意味のあるブレークスルーを備えたよりスマートな科学が可能になります。
「これがバッテリー開発に与える影響は軽視されるべきではありません。このテクノロジーは、何百万ものレコードを参照して、測定データとバッテリーパラメーターの関係を説明できます。メーカーとして、これを使用して、電解質、アノード、カソードの何百万もの組み合わせをいつでもテストできます。
「科学者は、開発中のバッテリーを評価できるだけでなく、既存のバッテリーから学習して、パフォーマンス動作プロファイルをよりよく理解し、最適なソリューションを推奨することもできます。無限の組み合わせを迅速にテストできるということは、バッテリーセルの製造に使用される材料の最終的な配合がはるかに迅速に達成されることを意味します。これにより、必要な実験の数が大幅に削減されるため、開発時間が大幅に短縮され、開発コストも大幅に削減されます。たとえば、特定の電池の処方に取り組んでいる50人の研究者のチームは、機械学習機能を導入することで、月に最大100万ドルの研究開発を節約できます。」
「StoreDotでは、この手法への最初の取り組みが驚くべき結果をもたらしました。たとえば、機械学習を使用した第1世代の超高速充電FlashBatteryテクノロジーの場合、チームは、フォーメーションを少し変更するだけで、開発中のバッテリーのサイクル数を300サイクルから600サイクル以上に倍増できることを発見しました。この発見により、StoreDotは、機械学習の機能を構築するためだけにR＆Dグループ全体を開発して専念するようになりました。この劇的な成果は、現在、EV用の次世代バッテリーに適用されています。超高速充電には非常に複雑な問題があります。従来のバッテリー手法では、通常1つのコンポーネントのみを変更しますが、ここでは、目的のブレークスルーに到達するためにさらに変更する必要がある場合があります。 AIを活用した革新的なデータサイエンスと、電気化学、セル構造、アノード、カソード、電解質の専門知識を組み合わせることで、はるかに複雑な結論に達することができます。
「明らかに、R＆Dプロセス中の機械学習のメリットは非常に貴重です。ただし、EVを進歩させるためにAIを実装できるのはこれだけではありません。機械学習の非常に異なる興味深いアプリケーションは、EV運用ソフトウェア内に実装し、バッテリーのパフォーマンスと状態を継続的に監視し、リアルタイムデータを測定し、そこから学習して循環させ、製品のパフォーマンスを向上させることです。さらに、センシング機能が組み込まれ、自己修復機能を備えたよりスマートなバッテリーを作成することで、バッテリー管理システムはバッテリーの「状態」を認識し、必要に応じてバッテリーセルやモジュールを活性化することもできます。
「最終的に、イノベーターが一度に複数のコンポーネントを変更し、証拠をより迅速に分析できるようにすることで、従来の統計分析では達成できない結論に達することができます。この証拠により、開発サイクルが短縮され、他の方法では解決できない可能性のある問題を克服できるようになります。 EVを採用する場合、この機能は、最大の消費者障壁の1つである「範囲不安」を解決する上で最も重要です。機械学習テクノロジーを使用してバッテリーの充電時間を短縮することで、文字通り、EV業界全体をオーバーホールすることができます。」
