Dùng AI phát triển pin sạc nhanh hơn, chứa nhiều năng lượng hơn có thể giúp tăng doanh số ô tô điện
Nhịp đập khoa học - Ngày đăng : 12:58, 30/06/2024
Dùng AI phát triển pin sạc nhanh hơn, chứa nhiều năng lượng hơn có thể giúp tăng doanh số ô tô điện
Nhu cầu về ô tô ở Mỹ đã hạ nhiệt trong năm qua, khiến một số công ty tạm dừng các khoản đầu tư lớn do doanh số tăng chậm hơn dự kiến.
Các cuộc khảo sát đã chỉ ra rằng mối lo ngại của người tiêu dùng về ô tô điện gồm chi phí, sạc và phạm vi hoạt động. Tất cả những điều này đều có nguồn gốc từ bộ phận đắt tiền và quan trọng nhất của bất kỳ chiếc ô tô điện nào, đó là pin.
Jason Koeller, đồng sáng lập công ty khởi nghiệp pin Chemix, cho rằng điều đó có thể thay đổi nhờ trí tuệ nhân tạo (AI).
Ông nói với trang Insider: “Khi bạn nghĩ về việc áp dụng ô tô điện, gần như tất cả lý do khiến người ta không muốn mua ô tô điện đều liên quan đến pin. Hoặc nó quá đắt hoặc phạm vi hoạt động không đủ dài, sạc không đủ nhanh hoặc có những lo ngại về an toàn. Bất kể đó là gì, tất cả đều quy về pin”.
Dùng AI phát triển pin ô tô điện sạc nhanh hơn, giữ được nhiều năng lượng hơn
Đã huy động được 20 triệu USD đầu tư vào tháng 4, Chemix (có trụ sở tại bang California, Mỹ) là một trong số các công ty khởi nghiệp và phòng thí nghiệm nghiên cứu đang tìm cách giải quyết nhiều vấn đề này với sự trợ giúp của AI.
Chemix đang sử dụng các thuật toán học máy để phát triển pin ô tô điện có thể sạc nhanh hơn, giữ được nhiều năng lượng hơn và tồn tại lâu hơn các bộ nguồn xe điện hiện tại.
Bộ nguồn xe điện là bộ phận quan trọng của bất kỳ phương tiện điện nào, bao gồm pin, động cơ điện và hệ thống điều khiển. Nó cung cấp năng lượng cho ô tô điện để di chuyển và hoạt động.
Học máy là một lĩnh vực trong AI tập trung vào việc phát triển các thuật toán và mô hình máy tính có khả năng học hỏi từ dữ liệu và cải thiện hiệu suất của chúng theo thời gian mà không cần lập trình cụ thể. Các hệ thống học máy có khả năng tự động tìm hiểu và áp dụng kiến thức từ dữ liệu để thực hiện các nhiệm vụ cụ thể như phân loại, dự đoán, nhận dạng mẫu và tối ưu hóa quyết định.
Những ứng dụng của học máy rất đa dạng như xử lý ngôn ngữ tự nhiên, thị giác máy tính, xe tự hành, dự đoán thời tiết, quản lý dữ liệu lớn...
Học máy đã có sự tiến bộ đáng kể trong thập kỷ gần đây, nhờ sự phát triển của các mô hình học sâu và khả năng xử lý dữ liệu lớn (big data), mang lại nhiều cơ hội và tiềm năng giải quyết các vấn đề phức tạp và cải thiện hiệu suất trong nhiều lĩnh vực khác nhau.
Một vấn đề khác mà những tài xế thường phàn nàn về ô tô điện là xu hướng giảm hiệu suất ở vùng khí hậu nóng hơn và lạnh hơn, một vấn đề mà pin do Chemix thiết kế riêng có thể giúp giải quyết.
Công nghệ AI của Chemix cũng có thể được sử dụng để lọc ra các vật liệu pin phổ biến, chẳng hạn như niken và coban.
Jason Koeller cho biết lợi thế chính của việc sử dụng AI để thiết kế pin ô tô điện là tăng tốc đáng kể quá trình này. Một nghiên cứu năm 2020 trên tạp chí Nature cho thấy các mô hình học máy có thể giảm thời gian xác định thiết kế pin sạc nhanh từ 500 ngày xuống còn 16.
“Vấn đề chúng tôi đang giải quyết thực sự là đẩy nhanh tốc độ phát triển pin”, Jason Koeller nói, Ông cho biết thêm rằng điều này rất quan trọng để sản xuất ô tô điện có thể cạnh tranh với các xe chạy bằng động cơ đốt trong.
Ông nói: “Chúng tôi chắc chắn sẽ cần hiệu suất pin tốt hơn đáng kể và tin rằng cách để đạt được điều đó là phát triển pin theo cách hoàn toàn khác”.
Đẩy nhanh việc thiết kế pin nhờ AI
Giáo sư Micah Ziegler của Học viện Công nghệ Georgia (Mỹ) nói với trang Insider rằng thiết kế pin ô tô điện là quá trình gồm ba bước.
Trước tiên, các nhà khoa học phải quyết định cấu trúc và sự kết hợp các yếu tố sẽ tạo ra vật liệu pin có các đặc tính mong muốn trước khi phát triển công thức để tổng hợp và thử nghiệm vật liệu đó trong phòng thí nghiệm.
Micah Ziegler cho biết số lượng các tổ hợp tiềm năng và yêu cầu khác nhau đặt ra với pin ô tô điện, gồm tuổi thọ, độ an toàn, chi phí và tốc độ sạc, khiến việc thiết kế pin trở thành quá trình dài và khó khăn.
Ông nói thêm: "Số lượng tùy chọn rất lớn. Khi bắt đầu kết hợp các yếu tố khác nhau, chúng ta đang nói về hàng nghìn tỉ tổ hợp khác nhau".
AI có thể đẩy nhanh đáng kể quá trình này, xác định các tổ hợp tiềm năng hứa hẹn nhanh hơn nhiều so với con người.
Karl Mueller, nhà hóa học vật lý tại Phòng thí nghiệm quốc gia Tây Bắc Thái Bình Dương thuộc Bộ Năng lượng Mỹ, đã mô tả thiết kế pin là nhiệm vụ theo kiểu của Thomas Edison: Quá trình trial and error kéo dài mà trong đó các nhà khoa học so sánh và điều chỉnh hàng tỉ tổ hợp hóa học.
Trial and error là một phương pháp giải quyết vấn đề, học tập hoặc khám phá trong đó các thử nghiệm khác nhau được thực hiện và những sai sót được phát hiện, sửa chữa cho đến khi đạt được kết quả mong muốn. Phương pháp này dựa trên quá trình thử nghiệm liên tục, đánh giá kết quả và điều chỉnh các hành động dựa trên những gì đã học được từ những thử nghiệm trước đó.
Ví dụ, khi thiết kế một loại pin mới cho ô tô điện, các nhà khoa học có thể thử nghiệm nhiều công thức và cấu hình khác nhau. Mỗi thử nghiệm có thể mang lại kết quả khác nhau. Từ đó, họ sẽ hiểu được điều gì hoạt động hiệu quả và điều gì không. Quá trình này tiếp tục cho đến khi họ tìm ra được giải pháp tối ưu.
Phương pháp trial and error thường được sử dụng trong nhiều lĩnh vực như khoa học, kỹ thuật, giáo dục và thậm chí trong cuộc sống hàng ngày khi phải giải quyết các vấn đề mới mà chưa có hướng dẫn cụ thể.
Thomas Edison, một trong những nhà phát minh vĩ đại nhất, nổi tiếng với việc kiên trì thử nghiệm hàng ngàn lần trước khi tìm ra giải pháp hoạt động. Cách tiếp cận này liên quan đến việc tiến hành nhiều thử nghiệm, ghi nhận các kết quả và điều chỉnh dựa trên những gì đã học được cho đến khi đạt được kết quả mong muốn.
Karl Mueller nói với trang Insider: “Quá trình này diễn ra chậm, có thể mất nhiều năm để tìm ra vật liệu mới và sửa đổi chúng”.
Phòng thí nghiệm quốc gia Tây Bắc Thái Bình Dương gần đây hợp tác với Microsoft để khám phá một loại vật liệu mới đầy hứa hẹn để sản xuất pin ô tô điện, sử dụng công nghệ điện toán đám mây và AI của Microsoft.
Chất điện phân thể rắn mà họ phát hiện ít phụ thuộc vào lithium, nguồn tài nguyên ngày càng hiếm tạo nên cốt lõi của pin ô tô điện ngày nay. Nó cũng ít bắt lửa hơn so với pin lithium-ion.
“Việc đẩy nhanh quá trình khám phá sẽ rất tuyệt vời”
Karl Mueller cho biết việc tích hợp AI vào quy trình làm việc sẽ giúp của Phòng thí nghiệm quốc gia Tây Bắc Thái Bình tăng tốc đáng kể quá trình sàng lọc 32 triệu tổ hợp hóa học có thể xuống còn khoảng 20 thiết kế pin tiềm năng.
Ông nói: “Các công cụ AI mới nhất mà chúng tôi hợp tác phát triển với Microsoft cho phép chúng tôi thiết kế theo các đặc tính cụ thể và loại bỏ sớm những thứ chúng tôi tin rằng sẽ không có những đặc tính đó”.
“Việc đẩy nhanh quá trình khám phá sẽ rất tuyệt vời. Tôi nghĩ nó sẽ thúc đẩy tốc độ khám phá những gì chúng ta cần làm để cho phép điện khí hóa nhiều hơn và tạo ra các phương tiện chạy điện tốt hơn”, Karl Mueller nói thêm.
Sự cường điệu xung quanh AI tạo sinh có thể đang mờ dần ở một số lĩnh vực. Thế nhưng, AI tạo sinh đã mang lại những lợi ích rõ ràng cho cộng đồng khoa học.
Các mô hình ngôn ngữ lớn như AlphaFold 3 của Google DeepMind đã cải thiện việc lập bản đồ các protein sinh học phức tạp, có khả năng mở ra cơ hội mới cho những nhà nghiên cứu để nhanh chóng phát triển các loại thuốc cứu người.
Karl Mueller nói rằng sự hợp tác của Phòng thí nghiệm quốc gia Tây Bắc Thái Bình với Microsoft đã thuyết phục ông rằng AI có thể tạo ra những ứng dụng vượt xa việc tăng tốc thiết kế pin ô tô điện.
Ông nói: “Ý tưởng xây dựng các tác nhân khoa học dựa trên mô hình ngôn ngữ lớn và kết hợp chúng với các quy trình khám phá này là rất thú vị. Tôi nghĩ rằng trong một hoặc hai năm nữa, chúng ta sẽ không thể nhận ra khoa học đã phát triển đến đâu”.