कल्पना गर्नुहोस् कि एक मनोवैज्ञानिकले तपाईका आमाबाबुलाई भन्नुभएको छ, तपाई जन्मेको दिन, तपाई कति लामो समयसम्म बाँच्नुहुनेछ।प्रयोगात्मक डेटाको एकल चक्रमा आधारित ब्याट्री जीवनकाल गणना गर्न नयाँ कम्प्युटेशनल मोडेलहरू प्रयोग गर्ने ब्याट्री रसायनज्ञहरूका लागि पनि यस्तै अनुभव सम्भव छ।

नयाँ अध्ययनमा, यूएस डिपार्टमेन्ट अफ इनर्जी (DOE) Argonne National Laboratory का अन्वेषकहरूले विभिन्न ब्याट्री रसायनहरूको विस्तृत दायराको जीवनकालको भविष्यवाणी गर्न मेसिन लर्निङको शक्तिमा फर्केका छन्।छवटा फरक ब्याट्री रसायनहरू प्रतिनिधित्व गर्ने 300 ब्याट्रीहरूको सेटबाट अर्गोनमा भेला गरिएको प्रयोगात्मक डेटा प्रयोग गरेर, वैज्ञानिकहरूले सही रूपमा निर्धारण गर्न सक्छन् कि विभिन्न ब्याट्रीहरूले कति लामो समयसम्म चक्र चल्नेछन्।

अर्गोन शोधकर्ताहरूले विभिन्न रसायनशास्त्रहरूको विस्तृत दायराको लागि ब्याट्री चक्र जीवनको भविष्यवाणी गर्न मेसिन लर्निङ मोडेलहरू प्रयोग गरेका छन्।(Shutterstock/Sealstep द्वारा छवि।)

मेसिन लर्निङ एल्गोरिदममा, वैज्ञानिकहरूले कम्प्युटर प्रोग्रामलाई डेटाको प्रारम्भिक सेटमा निष्कर्षहरू बनाउन तालिम दिन्छन्, र त्यसपछि डेटाको अर्को सेटमा निर्णयहरू गर्नको लागि त्यो तालिमबाट सिकेको कुरा लिन्छन्।

"हरेक विभिन्न प्रकारका ब्याट्री अनुप्रयोगहरूका लागि, सेल फोनदेखि विद्युतीय सवारी साधनसम्म ग्रिड भण्डारणसम्म, प्रत्येक उपभोक्ताको लागि ब्याट्री जीवनकाल मौलिक महत्त्वको हुन्छ," अर्गोन कम्प्युटेशनल वैज्ञानिक नूह पाउलसनले भने, अध्ययनका लेखक।"ब्याट्री असफल नभएसम्म हजारौं पटक साइकल चलाउनु पर्दा वर्षौं लाग्न सक्छ;हाम्रो विधिले एक प्रकारको कम्प्युटेसनल परीक्षण भान्साकोठा सिर्जना गर्दछ जहाँ हामी विभिन्न ब्याट्रीहरूले कसरी प्रदर्शन गर्न गइरहेको छ भनेर द्रुत रूपमा स्थापित गर्न सक्छौं।

"अहिले, ब्याट्रीको क्षमता कसरी फिड हुन्छ भनेर मूल्याङ्कन गर्ने एक मात्र तरिका भनेको ब्याट्रीलाई साइकल गर्नु हो," अर्गोन इलेक्ट्रोकेमिस्ट सुसान "सु" बेबिनेक, अध्ययनका अर्को लेखकले थपे।"यो धेरै महँगो छ र यसले धेरै समय लिन्छ।"

पॉलसनका अनुसार ब्याट्री जीवनकाल स्थापना गर्ने प्रक्रिया कठिन हुन सक्छ।"वास्तविकता यो हो कि ब्याट्रीहरू सधैंभरि टिक्दैनन्, र तिनीहरू कति लामो समयसम्म टिक्छन् भन्ने कुरा हामीले तिनीहरूलाई प्रयोग गर्ने तरिका, साथै तिनीहरूको डिजाइन र रसायनशास्त्रमा निर्भर गर्दछ," उनले भने।"अहिलेसम्म, ब्याट्री कति लामो हुन्छ भनेर जान्नको लागि वास्तवमै राम्रो तरिका भएको छैन।मानिसहरूले नयाँ ब्याट्रीमा पैसा खर्च नगरुन्जेल उनीहरूसँग कति समय छ भनेर जान्न चाहन्छन्। ”

अध्ययनको एउटा अनौठो पक्ष यो हो कि यसले विभिन्न ब्याट्री क्याथोड सामग्रीहरू, विशेष गरी अर्गोनको पेटेन्ट गरिएको निकल-म्यांगनीज-कोबाल्ट (NMC) आधारित क्याथोडमा अर्गोनमा गरिएको व्यापक प्रयोगात्मक कार्यमा भर परेको छ।"हामीसँग विभिन्न रसायनहरू प्रतिनिधित्व गर्ने ब्याट्रीहरू थिए, जसका विभिन्न तरिकाहरू छन् कि तिनीहरू घटाउन र असफल हुन्छन्," पॉलसनले भने।"यस अध्ययनको मूल्य यो हो कि यसले हामीलाई विभिन्न ब्याट्रीहरूले कसरी प्रदर्शन गर्ने विशेषता हो भनेर संकेतहरू दियो।"

यस क्षेत्रमा थप अध्ययनले लिथियम-आयन ब्याट्रीहरूको भविष्यलाई मार्गदर्शन गर्ने क्षमता छ, पाउलसनले भने।"हामीले गर्न सक्ने कुराहरू मध्ये एउटा ज्ञात रसायन विज्ञानमा एल्गोरिदमलाई तालिम दिनु र यसलाई अज्ञात रसायन विज्ञानमा भविष्यवाणी गर्न लगाउनु हो," उनले भने।"अनिवार्य रूपमा, एल्गोरिदमले हामीलाई लामो जीवनकाल प्रस्ताव गर्ने नयाँ र सुधारिएको रसायन विज्ञानको दिशामा देखाउन मद्दत गर्न सक्छ।"

यसरी, पाउल्सन विश्वास गर्छन् कि मेसिन लर्निङ एल्गोरिदमले ब्याट्री सामग्रीको विकास र परीक्षणलाई गति दिन सक्छ।"भन्नुहोस् तपाईसँग नयाँ सामग्री छ, र तपाइँ यसलाई केहि पटक साइकल गर्नुहुन्छ।तपाईले हाम्रो एल्गोरिथ्म प्रयोग गरेर यसको दीर्घायुको भविष्यवाणी गर्न सक्नुहुन्छ, र त्यसपछि तपाई यसलाई प्रयोगात्मक रूपमा साइकल जारी राख्न चाहनुहुन्छ वा होइन भन्ने निर्णय गर्नुहोस्।

"यदि तपाइँ प्रयोगशालामा अनुसन्धानकर्ता हुनुहुन्छ भने, तपाइँ छोटो समयमा धेरै सामग्रीहरू पत्ता लगाउन र परीक्षण गर्न सक्नुहुन्छ किनभने तपाइँसँग तिनीहरूलाई मूल्याङ्कन गर्ने छिटो तरिका छ," बेबिनेकले थपे।

अध्ययनमा आधारित एक पेपर, "मेसिन लर्निङका लागि फिचर इन्जिनियरिङले ब्याट्रीको जीवनकालको प्रारम्भिक भविष्यवाणीलाई सक्षम बनायो"जर्नल अफ पावर सोर्सेसको फेब्रुअरी २५ अनलाइन संस्करणमा देखा पर्‍यो।

पाउलसन र बेबिनेक बाहेक, कागजका अन्य लेखकहरूमा अर्गोनका जोसेफ कुबल, लोगन वार्ड, सौरभ सक्सेना र वेनक्वान लु समावेश छन्।

यो अध्ययन अर्गोन प्रयोगशाला-निर्देशित अनुसन्धान र विकास (LDRD) अनुदान द्वारा वित्त पोषित थियो।