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。
何十年もの間、電気自動車用バッテリーの進歩は、評価解析時間という大きなボトルネックによって制限されてきた。バッテリーの開発プロセスのあらゆる段階で、新しい技術がどれだけ長持ちするかを判断するためには、数ヶ月から数年かけてテストしなければならない。
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。
コンピュータサイエンスの助教授であるエルモンは、「電池のテストでは、膨大な数のものを試す必要がありますが、それは、得られる性能が大きく異なるからです」と述べた。「AIを使えば、最も有望なアプローチを素早く特定し、不必要な実験をたくさんカットすることができる」
今年2月19日にNature誌に発表されたこの研究は、スタンフォード大学、MIT、トヨタ自動車研究所の科学者たちの間で行われた、基礎的な学術研究と実際の産業界での応用の架け橋となる大規模な共同研究の一部である。目標は、EVバッテリーを10分で充電し、バッテリー全体の寿命を最大化する最適な方法を見つけることである。研究者たちは、わずか数回の充電サイクルに基づいて、さまざまな充電方法に対してバッテリーがどのように反応するかを予測するプログラムを作成した。このソフトウェアはまた、どのような充電方法に重点を置くべきか、あるいは無視すべきかをリアルタイムで決定した。試験の長さと回数の両方を減らすことで、研究者たちは試験プロセスをほぼ2年から16日に短縮した。
バッテリーテストへのよりスマートなアプローチ
超急速充電バッテリーの設計は、主にバッテリーを長持ちさせることが難しいため、大きな課題となっている。高速充電の強さはバッテリーへの負担を大きくし、早期故障の原因となることが多い。電気自動車の総コストの大部分を占める部品であるバッテリーパックの損傷を防ぐために、バッテリー技術者は一連の充電方法を徹底的にテストし、最適な充電方法を見つけ出さなければならない。
この研究では、このプロセスを最適化しようと試みた。研究チームは当初、急速充電の最適化は多くの試行錯誤テストに相当すると考えていたが、これは人間にとっては非効率的だが、機械にとっては完璧な問題だ。
チームはこの力を2つの重要な方法で有利に利用した。1つ目は、実験の1回あたりの時間を短縮するために利用したことである。以前の研究では、電池の寿命をテストする通常の方法である、電池が故障するまですべての電池を充電・再充電するのではなく、最初の100回の充電サイクルだけで電池の寿命を予測できることを発見した。これは、機械学習システムが、いくつかのバッテリーで訓練を受けた後に、故障するまでサイクルされたバッテリーの寿命を予測するパターンを初期のデータから見つけることができたからである。
第二に、機械学習により、テストしなければならない方法の数が減った。可能性のあるすべての充電方法を均等にテストしたり、直感に頼ったりするのではなく、コンピュータは経験から学習して、テストに最適なプロトコルを素早く見つけ出した。
具体的には、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、サイクル数の早期予測を行う。MLモデルによって予測されたサイクル数は、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。
広範な応用範囲
研究者らは、このアプローチは、電池の化学設計からサイズと形状の決定、製造と貯蔵のためのより良いシステムの発見まで、電池開発パイプラインのほぼすべての部分を加速させることができると述べている。これは、電気自動車だけでなく、世界規模で風力や太陽光発電に切り替えるための重要な要件である、他のタイプのエネルギー貯蔵にも幅広い意味を持つだろう。
この研究の共著者であり、トヨタ自動車研究所のリサーチャーでもあるパトリック・ヘリングは、「これは電池開発の新しい方法だ。学界や産業界の多数の人々の間で共有でき、自動的に分析されるデータを持つことで、はるかに迅速なイノベーションが可能になる。この研究の機械学習とデータ収集システムは、将来の電池研究者が自由に利用できるようになるだろう、このシステムを使って機械学習を使ってプロセスの他の部分を最適化することで、電池の開発--そしてより新しくて優れた技術の登場--が桁違いに加速する可能性がある」と声明の中で述べている。
エルモンによると、この研究の手法の可能性は、電池の世界を超えたところにまで及んでいるという。医薬品開発からX線やレーザーの性能の最適化に至るまで、他のビッグデータテストの問題も、機械学習最適化の利用によって革命的なものになる可能性があるという。そして最終的には、最も基本的なプロセスの一つである最適化にも役立つ可能性がある。
参考文献
- Peter M. Attia, Aditya Grover, Norman Jin, Kristen A. Severson, Todor M. Markov, Yang-Hung Liao, Michael H. Chen, Bryan Cheong, Nicholas Perkins, Zi Yang, Patrick K. Herring, Muratahan Aykol, Stephen J. Harris, Richard D. Braatz, Stefano Ermon, William C. Chueh. Closed-loop optimization of fast-charging protocols for batteries with machine learning. Nature, 2020; 578 (7795): 397 DOI: 10.1038/s41586-020-1994-5
Photo: "Tesla Model S Parade"by jurvetson is licensed under CC BY 2.0