エネルギー効率を向上させるための新しいエネルギー貯蔵材料の開発が求められている。しかし、新材料の開発には、材料開発から市場投入までのタイムスパンが非常に長い。その主な理由は、材料の研究開発が科学的な勘と試行錯誤の実験に頼っており、時間がかかるからである。そのため、開発サイクルが長い。

最近では、MLの応用が材料科学の分野で重要な進歩を遂げている。この分野はしばしば「マテリアルズインフォマティクス(情報材料学)」と呼ばれている。材料科学のコミュニティは、材料情報学を利用して、材料発見のプロセスを加速し、材料の挙動に関する新たな理解を確立している。彼らはまた、既存の材料データから新しい知識を抽出したり、予測モデルを構築したりすることもできる。

彼らは、人間が特定の命令を書かなくても、複雑なアルゴリズムを使って大量のデータを特定・分析し、それによって対応する予測を行うモデルを構築する。例えば、MITのMaterials Projectは、大規模なハイスループットコンピューティングプラットフォームと材料ゲノムの材料データベースとして知られている。このMaterials Projectには、結晶構造、バンド構造、熱力学量、相図、磁気モーメントなどの各種計算情報など、大量の情報(6万個近い結晶構造)が格納されているデータベースがある。MITの研究グループが運営を行っており、Li電池材料のデータが特に充実している。ウェブベースのユーザーインタフェースに加えて、httpベースのAPIも提供されており、ユーザ独自のスクリーニングが可能だ。このデータベースには、さらなる計算のためのハイスループットな材料特性の結果を保存することができる。

この共有プラットフォームは、実験における人的要因の割合を効果的に減らし、より機械のインテリジェントな解析に依存することで、材料開発を加速させ、大きな進歩をもたらした。CEDERらは、リチウム電池材料の構造と相に関する多くの研究を行っている。

キャパシタ(蓄電装置)開発のためのAI

近年、電気二重層キャパシタ(EDLC、別名スーパーキャパシタ)は、その巨大なエネルギー貯蔵可能性、長いメンテナンスフリー寿命、高いサイクル効率、および高い電力密度のために大きな関心を集めている。二重層キャパシタは、電気自動車や電池などの製品で重要な役割を果たしている。一方で、そのエネルギー密度の低さは、それらの普及のための制限要因であり、一つの解決策は、MLを使用して新しいキャパシタ材料の開発を後押しすることである。炭素系材料は、その大きな比表面積、高い空隙率、高い導電性、低コスト、容易な入手性、および環境への優しさのために、二重層キャパシタ電極として広く使用されている。

従来、電極のより大きな比表面積は、より大きな静電容量につながる。このため、電極の好ましい細孔はマイクロポア(2nm未満)である。しかし、多くの種類の文献は、電極中のマイクロポアのみが電気二重層キャパシタの電力密度と静電容量を減少させることを証明している。カリフォルニア大学リバーサイド校のMusen Zhouら(2020)は、AIを用いて電極の構造特性と電力密度を定量的に相関させ、メソポアとミクロポアの寸法を同時に最適化した。この研究では、炭素系電極の構造特性が静電容量とパワー密度に及ぼす影響を研究するために、物理ベースのML手法を提案した。一般化線形回帰、一般化線形分類器、決定木、ニューラルベースネットワークの4つのMLアルゴリズムを用いた。その計算結果は、各MLアルゴリズムは正しい傾向を見つけることができることを示した。

機械学習法は、物理的条件を無視しながら入力と出力の相関をとることができる。相関関係が確立されれば、ANNは2mv〜500mvの走査速度範囲で炭素電極の実験データをよく再現することができる。Zhouらの研究で得られた新たな知見を活用することで、炭素系電極の合成や調製に関する研究が活発化し、電気二重層キャパシタの性能向上につながる可能性がある。

電池材料のためのAI

電池の開発では、新素材の発見から各段階での試験まで数ヶ月から数年かかる。これが電池の開発を制限する要因となっている。新電池材料の開発、電池性能のテスト、電池の充電状態(SOC)のモニタリングにAIを応用すれば、この問題を大幅に緩和することができる。

スタンフォード大学のStefano Ermon助教授とWilliam Chueh准教授が率いるチームは、テスト時間を98%短縮できるML法を開発した。

まず、研究者は、最初の100回のサイクルデータ、特に電気化学的測定(容量や電圧など)を用いて電池をテストする。研究者は、このデータを入力として使用して、サイクル寿命の早期予測を行う。MLモデルによって予測されたサイクル寿命は、次のプロトコルをテストするためにベイズ最適化アルゴリズムに送られる。この手順をテスト予算を使い切るまで繰り返す。この方法では、早期に予測を行い、各電池テストのサイクル数を減らすことができるだけでなく、最適な実験設計を行うことで、必要な実験の数を減らすことができる。これらにより、新素材の発見から各段階での試験まで時間を大幅に短縮することができる。9つの検証プロトコルには、電池文献に触発された4つのプロトコルが含まれている。

彼らはこれをクローズトループオプティマイゼーション(CLO)と呼ぶが、これは早期予測とベイズ最適化の助けを借りて、高性能な充電プロトコルを迅速に特定することができる。リソースに制約がある場合、ベイズ最適化のメリットはより大きくなる。これらの手法は、電池の化学的・電気化学的特性の設計、電池のサイズや形状の決定、より良い製造システムや貯蔵システムの発見など、電池開発のほぼすべての段階を加速させることができる。

少ない実験数でより少ない方法をテストすることで、この研究の著者たちは、バッテリーに最適な超高速充電プロトコルをすぐに見つけ出すことができた。「この方法は、驚くほどシンプルな充電プロトコルを提供してくれた。このアルゴリズムの方法では、充電開始時に最も高い電流で充電するのではなく、充電中に最も高い電流で充電する。それが人間と機械の違いだ。機械は人間の直感ではなく、強力だが時として誤解を招くことがある」と論文は主張している。

テスト時間を98%削減、EV向けバッテリー開発を加速する新たなAI手法
しかし現在、スタンフォード大学のステファノ・エルモンとウィリアム・チュエが率いるチームは、機械学習をベースにした手法を開発し、これらのテスト時間を98%削減している。このグループは、この方法をバッテリーの充電速度でテストしたが、この方法はバッテリー開発パイプラインの他の多くの部分や、非エネルギー技術にも適用できるという。

電池の寿命と安全性を向上させるAI技術

ケンブリッジ大学とニューカッスル大学の研究者たちは、電池に電気パルスを送り、その反応を測定することで電池を監視する新しい方法を考案した。測定値は機械学習アルゴリズムによって処理され、電池の劣化状態と耐用年数を予測する。この方法は何らかのマイナスを伴うものではなく既存のバッテリーシステムに簡単に追加できる。

電池の健全性を予測する現在の方法は、電池の充放電中の電流と電圧を追跡することに基づいている。これでは、バッテリの健全性を示す重要な機能を見逃してしまう。バッテリ内で発生している多くのプロセスを追跡するためには、バッテリの動作中を調査する新しい方法と、バッテリの充放電中の微妙な信号を検出できる新しいアルゴリズムが必要になる。

研究者たちは、電池に電気パルスを送り込み、その反応を測定することで電池を監視する方法を考案した。その後、機械学習モデルを使用して、電池の老化を物語るサインである電気応答の特定の特徴を発見する。研究者たちは、この種では最大のデータセットであるモデルを訓練するために、2万回以上の実験的な測定を行った。重要なのは、モデルが無関係なノイズから重要な信号を区別する方法を学習することである。この方法は非侵襲的であり、既存のバッテリーシステムに簡単に追加できる。

研究者らはまた、機械学習モデルを解釈することで、劣化の物理的メカニズムについてのヒントを与えることができることも示した。このモデルは、どの電気信号が劣化と最も相関があるかを知らせることができ、これにより、電池が劣化する理由とそのメカニズムを調べるための具体的な実験を設計することができるという。

バッテリーの寿命と安全性を向上させるAI技術
ケンブリッジ大学とニューカッスル大学の研究者たちは、電池に電気パルスを送り、その反応を測定することで電池を監視する新しい方法を考案した。測定値は機械学習アルゴリズムによって処理され、電池の劣化状態と耐用年数を予測する。この方法は何らかのマイナスを伴うものではなく既存のバッテリーシステムに簡単に追加できる。結果は今春、Nature Communications誌に報告されている。

参考文献

  1. Zhou, M., Gallegos, A., Liu, K., Dai, S., and Wu, J. (2020). Insights from machine learning of carbon electrodes for electric double layer capacitors. Carbon N. Y. 157, 147–152. doi: 10.1016/j.carbon.2019.08.090
  2. Yunwei Zhang, Qiaochu Tang, Yao Zhang, Jiabin Wang, Ulrich Stimming, Alpha A. Lee. *Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning*. Nature Communications, 2020; 11 (1) DOI: 10.1038/s41467-020-15235-7

Photo: "Better lithium-ion batteries"by SandiaLabs is licensed under CC BY-NC-ND 2.0