This post is also available in:
English (אנגלית)
בפיתוח מבטיח בתחום טכנולוגיית הסוללות, חוקרים המעבדה הלאומית ארגון (Argonne National Laboratory) השתמשו בלמידת מכונה כדי לזהות תוספים חדשים שיכולים לשפר את ביצועי סוללות ליתיום-יון בעלות מתח גבוה. סוללות אלו, הידועות כ-LNMO (lithium nickel manganese oxide), הן מבטיחות בזכות קיבולת האנרגיה הגבוהה שלהן והעובדה שהן אינן תלויות בקובלט, חומר שיש לו בעיות בשרשרת האספקה. אולם, יש להן בעיה: סוללות LNMO פועלות במתח הגבוה מהמגבלה של יציבות רוב האלקטרוליטים הנפוצים, דבר שמוביל לפירוק ולירידה ביעילות.
לפי ההודעה לעיתונות, כדי להתמודד עם הבעיה הזו, המדענים מסתמכים על תוספי אלקטרוליטים. כימיקלים אלו פועלים כמו תרופות ומסייעים לייצב את הסוללה במהלך מחזורי ההטענה הראשוניים שלה על ידי יצירת שכבת מגן על האלקטרודות, דבר שמפחית את ההתנגדות ומונע הידרדרות. עם זאת, מציאת התוסף המתאים היא תהליך ארוך, שבדרך כלל כולל חודשים של ניסוי וטעויות.
פריצת הדרך במקרה זה מגיעה עם למידת מכונה. במקום לבדוק ידנית שילובים כימיים רבים, החוקרים אימנו מודל על בסיס נתונים של 28 תוספים שונים בלבד. מודל זה חזה את היעילות של 125 שילובים חדשים, ומציע דרך מהירה בהרבה לאיתור מועמדים מבטיחים לבדיקה נוספת.
היו דואן, מדען חישובי בארגון, מציין כי הצלחת המודל הזה מאתגרת את הרעיון המסורתי שדרושות כמויות גדולות של נתונים כדי שלמידת מכונה תוכל לבצע תחזיות מדויקות. לפי דואן, לא מדובר בכמות הנתונים, אלא באיכות סט הנתונים שמניעה את התוצאות המדויקות.
היכולת של המודל לחזות אילו תוספים משפרים את ביצועי הסוללה—על ידי התמקדות בגורמים כמו התנגדות וקיבולת אנרגיה—מהווה שינוי בדרך בה ניתן לגשת לגילוי חומרים בתחום מחקרי אחסון האנרגיה. טכניקה זו לא רק מקצרת את זמני המחקר, אלא גם פותחת אפשרויות חדשות ליצירת סוללות יותר יעילות, ארוכות טווח ומועילות יותר לסביבה.
