Разработка новых аккумуляторов — процесс медленный и энергозатратный. Чтобы понять, сколько прослужит батарея, инженерам приходится гонять её через сотни, а то и тысячи циклов зарядки и разрядки. Это могут быть месяцы или даже годы испытаний. Но что, если узнать «срок жизни» аккумулятора можно почти сразу?
Исследователи из Мичиганского университета предложили именно такой подход. Они разработали систему машинного обучения, которая способна предсказывать срок службы батареи уже после первых 50 циклов работы. В результате время и энергозатраты на тестирование сокращаются до 95 процентов — ускорение, которое может радикально изменить всю отрасль хранения энергии.
Как работает новая система
В отличие от традиционных методов, которые опираются на долгие серии испытаний, новая модель использует принцип так называемого обучения через открытие (discovery learning). Это педагогическая идея, согласно которой знания формируются через исследование, опыт и проверку гипотез. Здесь эту роль выполняет искусственный интеллект.
Команда под руководством доцента Зию Суна и аспиранта Цзявэя Чжана создала целый «коллектив» ИИ-агентов, каждый из которых выполняет свою функцию — почти как группа ученых в лаборатории. Один выбирает, что тестировать, другой интерпретирует результаты, третий выносит финальное «суждение».
Процесс делится на три роли:
- Ученик отбирает перспективные варианты аккумуляторов и запускает короткие испытания при разных температурах и токах — примерно по 50 циклов.
- Интерпретатор анализирует полученные данные с помощью физически обоснованного симулятора, связывая ранние показатели с поведением батареи в будущем.
- Оракул объединяет новые результаты с уже накопленными знаниями и предсказывает полный срок службы аккумулятора.
После этого система «учится на собственном опыте»: новые данные добавляются в общую базу, а точность прогнозов постепенно растёт. Со временем ИИ способен оценивать срок службы батарей уже без полного цикла экспериментов — фактически демонстрируя зачатки автономного научного мышления.
Глубже, чем статистика
Главное отличие мичиганского подхода от обычных статистических моделей — глубина анализа. Вместо того чтобы смотреть лишь на внешние электрические сигналы вроде вольт-амперных кривых, система учитывает физические и химические процессы внутри батареи. Как ведут себя электроды при нагреве? Как материал деградирует под механическим напряжением и многократной зарядкой? Именно эти факторы и определяют реальный срок службы.
Благодаря этому модель умеет обобщать знания. Даже обучаясь исключительно на данных от небольших цилиндрических элементов, ИИ смог точно предсказать поведение крупных пакетных аккумуляторов (pouch cells), используемых в электромобилях. Эти реальные данные предоставила компания Farasis Energy USA, которая также профинансировала исследование.
Почему это важно
На практике это означает, что инженеры могут получать надежные оценки срока службы аккумуляторов всего за несколько дней или недель, а не ждать месяцы или годы, пока батарея «доживет» до конца испытаний. Для сравнения: традиционные тесты часто требуют более 1000 циклов.
Энергетический эффект не менее впечатляющий. По расчетам команды, новая система потребляет лишь около 5 процентов энергии, необходимой для классических лабораторных испытаний. Это особенно важно в контексте устойчивого развития, где сама разработка «зеленых» технологий не должна быть чрезмерно ресурсоемкой.
Пока что система сосредоточена на прогнозировании циклического ресурса, но исследователи смотрят дальше. В перспективе ИИ сможет оценивать пределы безопасности, подбирать оптимальные режимы зарядки и помогать в выборе материалов для аккумуляторов нового поколения, включая литий-ионные технологии.
Более того, сам принцип обучения через открытие универсален. Ученые уверены, что подобные ИИ-платформы смогут ускорить исследования в химии, материаловедении и других областях, где эксперименты дороги и требуют долгой обратной связи. Возможно, в будущем искусственный интеллект станет не просто инструментом анализа, а полноценным партнером в научных открытиях.
