Un nuovo metodo di apprendimento automatico potrebbe potenziare lo sviluppo delle batterie ricarcabili per i veicoli elettrici
Il miglior sistema di ricarica per le batterie auto? Bastano 16 giorni per testarlo
(Rinnovabili.it) – Per decenni i progressi nelle batterie auto ricaricabili sono stati limitati da un grosso collo di bottiglia: i tempi di valutazione dei nuovi prodotti. In ogni fase del processo di sviluppo, infatti, è necessario testare i dispositivi per stabilirne la durata e il procedimento può durare mesi o anche anni. Ma un team di scienziati di Stanford è convinto di aver trovato un modo per ridurre tali tempi anche del 98 per cento. Per riuscire nell’impresa il team guidato dagli scienziati Stefano Ermon e William Chueh, si è rivolto ad una delle moderne tecnologie che rientrano nel campo dell’intelligenza artificiale: l’apprendimento automatico o machine learning.
“Nei test delle batterie, devi valutare un numero enorme di elementi, perché le prestazioni che ottieni variano in modo drastico”, ha affermato Ermon. “Con l’IA siamo in grado di identificare rapidamente gli approcci più promettenti e tagliare molti esperimenti non necessari”. Lo studio, pubblicato ieri su Nature (testo in inglese), fa parte di una più ampia collaborazione tra Stanford, MIT e il Toyota Research Institute, che collega la ricerca accademica di base alle applicazioni nel mondo reale. L’obiettivo? Trovare il metodo migliore per caricare una batteria auto in 10 minuti massimizzandone la durata complessiva.
>>leggi anche Pannelli solari organici, il machine learning trova nuovi materiali<<
Nel dettaglio, gli scienziati hanno scritto un programma che prevede come le batterie reagiscono a diversi approcci di ricarica rapida. Il software ha stabilito in tempo reale su quali approcci concentrarsi e quali ignorare. Questo ha ridotto il numero di prove da effettuare e il processo di sperimentazione è passato dall’aver bisogno di 2 anni di tempo ad appena 16 giorni. “Abbiamo capito come accelerare notevolmente i test per la ricarica”, ha dichiarato Peter Attia, che ha co-condotto lo studio. “Ciò che è davvero eccitante, tuttavia, è il metodo. Possiamo applicarlo a molti altri problemi che, in questo momento, trattengono lo sviluppo delle batterie auto”.
I ricercatori sostegno che il nuovo software potrebbe accelerare quasi ogni fase della pipeline di sviluppo della batteria: dalla progettazione della chimica alla determinazione di dimensioni e forma. Ciò avrebbe implicazioni ampie non solo per i veicoli elettrici ma anche per altri tipi di accumulo, un requisito fondamentale per il passaggio ad un alimentazione completamente rinnovabile su scala globale.
>>leggi anche Google porta il machine learning nel settore dell’energia eolica<<
