تویوتا همچنان بر توسعهٔ باتری یون-فلوراید برای خودروهای برقی متمرکز است و با بهکارگیری مدلهای هوش مصنوعی سعی میکند مسیر از کشف تا نمونهسازی عملیاتی را کوتاهتر کند.
پیشزمینه: وعدهای از ۲۰۲۰ که هنوز در حال شکلگیری است
اولینبار در ۲۰۲۰ گزارش شد تویوتا روی باتریهای حالتجامد مبتنی بر یون-فلوراید تحقیق میکند؛ فناوریای که ادعا میشد چگالی انرژی را تا هفت برابر باتریهای معمول لیتیوم-یونی افزایش میدهد و نیاز به سیستمهای پیچیدهٔ کنترل حرارتی را کاهش میدهد. آن زمان همکاری با دانشگاه کیوتو مطرح شد و گزارشهایی دربارهٔ آندی متشکل از فلورین، مس و کبالت منتشر گردید؛ ترکیبی که سؤالهایی دربارهٔ میزان کبالت در زنجیرهٔ تأمین بهوجود آورد.
چرایی انتخاب یون-فلوراید
یون فلوراید ویژگیهایی دارد که میتواند ظرفیت ذخیرهسازی و ولتاژ سلولها را افزایش دهد. فلورین از عناصر نسبتاً فراوان در پوستهٔ زمین است و الکترونگاتیویتی بالای آن در واکنشهای شیمیایی باتری مزیتهایی ایجاد میکند. برای اطلاعات تکمیلی میتوانید به صفحهٔ ویکیپدیا دربارهٔ فلورین مراجعه کنید.
نقش هوش مصنوعی در تسریع پژوهش
همکاری میان دانشگاه جانز هاپکینز و مؤسسهٔ تحقیقاتی تویوتا بر استفاده از ابزارهای هوش مصنوعی برای سرعتبخشیدن به فرایندهای آزمایشی متمرکز است. محققان گزارش دادهاند که آزمونهایی که پیشتر حدود ۱۰ دقیقه زمان میبرد حالا با پشتیبانی مدلهای یادگیری ماشین به ۳–۴ دقیقه کاهش یافتهاند؛ هرچند برخی مراحل آمادهسازی و پاکسازی داده هنوز به مداخلات دستی نیاز دارد.
چطور هوش مصنوعی بر پژوهش اثر میگذارد؟
- خودکارسازی تحلیل دادهها و کشف الگوهای پیچیده میان ویژگیهای شیمیایی و عملکرد سلولها.
- کاهش تعداد ترکیباتی که باید بهصورت آزمایشی بررسی شوند، از طریق پیشبینیهای مدلهای یادگیری ماشین.
- پیشنهاد روابط علی احتمالی بین ساختار مواد و عملکرد، بهجای تکیه صرف بر همبستگیهای سطحی.
مزایا و چالشهای فنی
مزایا
- پتانسیل افزایش چشمگیر چگالی انرژی و در نتیجه برد خودرو.
- کاهش نیاز به سامانههای پیچیدهٔ گرمایش و سرمایش در بستههای باتری.
- استفاده از الکترولیتهایی که در مقایسه با الکترولیتهای فرّار لیتیوم-یونی، خطر اشتعال کمتری دارند.
چالشها
- آند حاوی کبالت: در صنعتی که بهدنبال کاهش وابستگی به کبالت است، حضور این فلز نقطهٔ ضعف بهشمار میرود.
- تناسب همزمان رسانایی و پایداری الکترولیتها هنوز مشکل است؛ برخی مواد رسانا اما ناپایدار، و برخی پایدار اما کند عمل میکنند.
- مسیر از آزمایشگاه تا تولید انبوه طولانی است و چالشهای مهندسی، ایمنی و زنجیرهٔ تأمین باقی میمانند.
گامهای بعدی و اولویتهای پژوهشی
- یکپارچهسازی دادههای آزمایشگاهی در مجموعههای قابل اتکا برای تربیت مدلهای پیشبینیکننده.
- اعتبارسنجی مدلها با دادههای مستقل و آزمونهای تکرارشونده در مقیاس سلولی و ماژول.
- کاهش یا جایگزینی کبالت در آند با مواد پایدارتر و کمتر پرهزینه.
- مهندسی بستهبندی سلول و طراحی بستهٔ باتری برای حصول ایمنی و قابلیت تولید انبوه.
چشمانداز
باتری یون-فلوراید میتواند معیارهای چگالی انرژی، ایمنی و مدیریت حرارتی را در خودروهای برقی بازتعریف کند، اما تا تبدیل این پتانسیل به محصولات تجاری هنوز گرههای علمی و صنعتی باقی است. استفاده از هوش مصنوعی میتواند مدت زمان و هزینهٔ کشف ترکیبات مناسب را بهطور قابل توجهی کاهش دهد؛ اما موفقیت نهایی وابسته به توانایی تیمها در مهندسی، مقیاسبندی و تضمین ایمنی و رعایت استانداردهای تأمین مواد است.
برای دنبالکردن جزئیات علمی و گزارشهای تکمیلی میتوانید منابع دانشگاهی و مؤسسات تحقیقاتی مرتبط را پیگیری کنید.
