Nouvelle étude : l'IA prédit la durée de vie des batteries lithium-métal à haute densité

ParisNIMS et SoftBank Corp. ont élaboré un nouveau modèle capable de prédire la durée de vie des batteries lithium-métal haute énergie grâce à l'apprentissage machine avancé. En analysant une grande quantité de données sur les cycles de charge, décharge et repos de ces batteries, le modèle fournit des estimations précises de leur durée de vie sans avoir besoin de comprendre les mécanismes d'usure des batteries. Cette innovation peut rendre les dispositifs utilisant des batteries lithium-métal plus sûrs et plus fiables. Ces batteries ont le potentiel de stocker plus d'énergie que les batteries lithium-ion actuelles, ce qui pourrait améliorer de nombreuses technologies, notamment :

• Drones
• Véhicules électriques
• Systèmes de stockage d'électricité domestique

Le centre de développement des technologies avancées NIMS-SoftBank, fondé en 2018, s'est consacré depuis lors à l'élaboration de batteries rechargeables haute énergie destinées aux stations de base de téléphonie mobile, aux appareils IoT et aux plateformes à haute altitude. Une réalisation notable est une batterie en métal lithium affichant une densité énergétique de plus de 300 Wh/kg et capable de supporter plus de 200 cycles de charge/décharge.

Développer des modèles précis pour prédire la durée de vie des batteries au lithium-métal est un défi. Ces batteries vieillissent de manière plus complexe que les batteries lithium-ion, et les raisons restent partiellement inconnues. Cette complexité rend difficile la prévision de leurs performances. Pour résoudre ce problème, les scientifiques ont fabriqué de nombreuses batteries lithium-métal haute énergie avec des anodes en lithium-métal et des cathodes riches en nickel.

L'équipe a utilisé l'apprentissage automatique avancé sur les données de charge et de décharge pour créer un modèle qui prédit la durée de vie de ces batteries. Ce modèle est unique car il base ses prédictions uniquement sur les données observées, sans recourir à des hypothèses préalables sur la dégradation des batteries.

Lisez aussi:

Aujourd'hui · 12:41

La transition difficile d'OpenAI vers une entité à but lucratif

Ce modèle présente de nombreux effets significatifs. Il peut rendre les batteries au lithium-métal plus fiables et plus sûres. De plus, il accélère la création de nouveaux matériaux pour les anodes en lithium-métal. Pour les entreprises fabriquant ces batteries, la capacité à prédire avec précision la durée de vie des batteries permet d'améliorer leurs produits de manière plus efficace durant la recherche et le développement, ce qui peut réduire les coûts et gagner du temps.

Les prédictions améliorées en matière de sécurité et de fiabilité renforceront probablement la confiance des investisseurs. Cela pourrait entraîner un financement accru et une adoption plus rapide des batteries au lithium-métal dans les technologies grand public et industrielles. Une meilleure compréhension des mécanismes de dégradation grâce à cette approche axée sur les données pourrait à terme aboutir à des batteries plus durables et plus performantes.

L'utilisation de l'apprentissage automatique pour élaborer des modèles prédictifs pourrait s'avérer essentielle pour améliorer les performances des batteries au lithium métal. Ces avancées pourraient offrir des solutions de stockage d'énergie optimisées, profitant à divers secteurs tels que l'automobile et les systèmes d'énergie renouvelable.