Perché il machine learning migliorerà le batterie delle auto elettriche

Stanford, Mit e Toyota puntano sull'intelligenza artificiale e l'apprendimento automatico per avere celle più performanti: ecco come

Di: Alessandro Paiola

16 mar 2021 alle 10:48

Aggiungi InsideEVs alle fonti preferite su Google

Ci sono tanti modi per far durare di più una batteria: si può lavorare sulla composizione chimica, sull'architettura, sul design delle celle. Numerosissime sono le variabili in gioco e può essere molto difficile capire quale sia la soluzione migliore per un determinato aspetto

Ancor più difficile capire quale sia la combinazione migliore di tutte le soluzioni possibili per avere una batteria ad alte prestazioni. La ricerca può essere lunga ed estenuante. O meglio, lo è stata fino a oggi, visto che alla Stanford University sta mettendo a punto un rivoluzionario metodo di analisi basato sul machine learning.

La teoria e la pratica

Il machine learning, o apprendimento automatico, attualmente in fase di sperimentazione presso l'istituto californiano, sta cercando di mettere a punto un sistema per analizzare le batterie con un approccio rivoluzionario che permetta ai computer di valutare in modo autonomo le varie soluzioni per il contenimento del decadimento delle prestazioni.

Le macchine possono ridurre addirittura del 98% il tempo necessario ai ricercatori per capire cosa sia meglio e cosa sia da scartare. Lo fanno attraverso l'analisi scientifica di modelli sperimentali combinati con equazioni teoriche.

L'innovazione accelera

Il professor Will Chueh, a capo del progetto, ha spiegato così il nuovo approccio: “È la prima volta che si guarda alle batterie con un modello che sfrutta l’apprendimento automatico su come le celle agli ioni di litio si caricano e si scaricano”. In questo modo, si acquisiscono informazioni che permettono ai progettisti di batterie di sfruttare nuove soluzioni tecniche per allungare la vita dei prodotti. Il lavoro dei ricercatori della Stanford University permette infatti di comparare velocemente numerose soluzioni tecniche e permette di capire quali materiali e quali architetture danno i migliori risultati.

Il nuovo studio è stato pubblicato sulla rivista Nature Materials e oltre alla Stanford University ha visto la collaborazione dello Slac (lo Stanford Linear Acceleration Center), del Mit (il Massachussetts Institute of Technology) e di Toyota. Lo sforzo congiunto dei soggetti coinvolti ha permesso di definire un metodo di analisi che potrà ridurre del 60% il tempo necessario per portare una nuova tecnologia dal laboratorio di ricerca al mercato.