કલ્પના કરો કે કોઈ માનસિક તમારા માતા-પિતાને કહેશે કે તમે જે દિવસે જન્મ્યા છો, તે દિવસે તમે કેટલું જીવશો.આવો જ અનુભવ બેટરી રસાયણશાસ્ત્રીઓ માટે શક્ય છે કે જેઓ પ્રાયોગિક ડેટાના એક ચક્ર જેટલા ઓછા પર આધારિત બેટરીના જીવનકાળની ગણતરી કરવા માટે નવા કોમ્પ્યુટેશનલ મોડલ્સનો ઉપયોગ કરી રહ્યા છે.

એક નવા અભ્યાસમાં, યુએસ ડિપાર્ટમેન્ટ ઓફ એનર્જી (DOE) આર્ગોન નેશનલ લેબોરેટરીના સંશોધકોએ વિવિધ બેટરી રસાયણશાસ્ત્રની વિશાળ શ્રેણીના જીવનકાળની આગાહી કરવા માટે મશીન લર્નિંગની શક્તિ તરફ વળ્યા છે.છ અલગ અલગ બેટરી રસાયણશાસ્ત્રનું પ્રતિનિધિત્વ કરતી 300 બેટરીઓના સમૂહમાંથી આર્ગોન ખાતે એકત્ર કરાયેલ પ્રાયોગિક ડેટાનો ઉપયોગ કરીને, વૈજ્ઞાનિકો ચોક્કસ રીતે નક્કી કરી શકે છે કે વિવિધ બેટરીઓ કેટલા સમય સુધી ચક્ર ચાલુ રાખશે.

અર્ગોન સંશોધકોએ વિવિધ રસાયણશાસ્ત્રની વિશાળ શ્રેણી માટે બેટરી ચક્રના જીવનની આગાહી કરવા માટે મશીન લર્નિંગ મોડલ્સનો ઉપયોગ કર્યો છે.(શટરસ્ટોક/સીલસ્ટેપ દ્વારા છબી.)

મશીન લર્નિંગ અલ્ગોરિધમમાં, વૈજ્ઞાનિકો ડેટાના પ્રારંભિક સેટ પર અનુમાન કરવા માટે કમ્પ્યુટર પ્રોગ્રામને તાલીમ આપે છે, અને પછી ડેટાના બીજા સેટ પર નિર્ણય લેવા માટે તે તાલીમમાંથી જે શીખ્યા છે તે લે છે.

અભ્યાસના લેખક આર્ગોન કોમ્પ્યુટેશનલ સાયન્ટિસ્ટ નોહ પોલસને જણાવ્યું હતું કે, "સેલ ફોનથી લઈને ઈલેક્ટ્રિક વાહનોથી લઈને ગ્રીડ સ્ટોરેજ સુધીની દરેક વિવિધ પ્રકારની બેટરી એપ્લિકેશન માટે, દરેક ગ્રાહક માટે બેટરી જીવનકાળ મૂળભૂત મહત્વ ધરાવે છે."“બૅટરી નિષ્ફળ ન થાય ત્યાં સુધી તેને હજારો વખત સાયકલ કરવી પડે તેમાં વર્ષો લાગી શકે છે;અમારી પદ્ધતિ એક પ્રકારનું કોમ્પ્યુટેશનલ ટેસ્ટ કિચન બનાવે છે જ્યાં અમે ઝડપથી સ્થાપિત કરી શકીએ છીએ કે વિવિધ બેટરીઓ કેવી રીતે પરફોર્મ કરશે.”

"અત્યારે, બેટરીની ક્ષમતા કેવી રીતે ફેડ થાય છે તેનું મૂલ્યાંકન કરવાનો એકમાત્ર રસ્તો એ છે કે ખરેખર બેટરીને સાયકલ કરવી," એર્ગોન ઇલેક્ટ્રોકેમિસ્ટ સુસાન "સુ" બેબીનેક, અભ્યાસના અન્ય લેખક ઉમેરે છે."તે ખૂબ ખર્ચાળ છે અને તે ઘણો સમય લે છે."

પોલસનના જણાવ્યા અનુસાર, બેટરી જીવનકાળ સ્થાપિત કરવાની પ્રક્રિયા મુશ્કેલ હોઈ શકે છે."વાસ્તવિકતા એ છે કે બેટરીઓ હંમેશ માટે ટકી શકતી નથી, અને તે કેટલો સમય ટકે છે તે આપણે તેનો ઉપયોગ કેવી રીતે કરીએ છીએ તેના પર તેમજ તેમની ડિઝાઇન અને તેમની રસાયણશાસ્ત્ર પર આધાર રાખે છે," તેમણે કહ્યું.“અત્યાર સુધી, બેટરી કેટલો સમય ચાલશે તે જાણવાની ખરેખર કોઈ સારી રીત નથી.લોકો જાણવા માંગે છે કે જ્યાં સુધી તેઓને નવી બેટરી પર પૈસા ખર્ચવા ન પડે ત્યાં સુધી તેમની પાસે કેટલો સમય છે.”

અભ્યાસનું એક અનોખું પાસું એ છે કે તે વિવિધ પ્રકારની બેટરી કેથોડ સામગ્રીઓ, ખાસ કરીને આર્ગોનેની પેટન્ટ નિકલ-મેંગનીઝ-કોબાલ્ટ (NMC) આધારિત કેથોડ પર આર્ગોને ખાતે કરવામાં આવેલા વ્યાપક પ્રાયોગિક કાર્ય પર આધાર રાખે છે."અમારી પાસે બેટરીઓ હતી જે વિવિધ રસાયણશાસ્ત્રનું પ્રતિનિધિત્વ કરતી હતી, જે અલગ અલગ રીતો ધરાવે છે જેનાથી તેઓ અધોગતિ કરે છે અને નિષ્ફળ જાય છે," પૉલ્સને કહ્યું."આ અભ્યાસનું મૂલ્ય એ છે કે તે અમને સંકેતો આપે છે જે વિવિધ બેટરીઓ કેવી રીતે કાર્ય કરે છે તેની લાક્ષણિકતા છે."

આ ક્ષેત્રમાં વધુ અભ્યાસ લિથિયમ-આયન બેટરીના ભાવિને માર્ગદર્શન આપવાની ક્ષમતા ધરાવે છે, પોલસને જણાવ્યું હતું."અમે કરવા માટે સક્ષમ છીએ તે પૈકીની એક એ છે કે જાણીતી રસાયણશાસ્ત્ર પર અલ્ગોરિધમને તાલીમ આપવી અને તેને અજાણ્યા રસાયણશાસ્ત્ર પર આગાહી કરવી," તેણે કહ્યું."આવશ્યક રીતે, અલ્ગોરિધમ અમને નવી અને સુધારેલ રસાયણશાસ્ત્રની દિશામાં નિર્દેશ કરવામાં મદદ કરી શકે છે જે લાંબા સમય સુધી જીવનકાળ ઓફર કરે છે."

આ રીતે, પોલસન માને છે કે મશીન લર્નિંગ અલ્ગોરિધમ બેટરી સામગ્રીના વિકાસ અને પરીક્ષણને વેગ આપી શકે છે."કહો કે તમારી પાસે નવી સામગ્રી છે, અને તમે તેને થોડીવાર સાયકલ કરો છો.તમે અમારા અલ્ગોરિધમનો ઉપયોગ તેની દીર્ધાયુષ્યની આગાહી કરવા માટે કરી શકો છો, અને પછી તમે તેને પ્રાયોગિક રીતે સાયકલ કરવાનું ચાલુ રાખવા માંગો છો કે નહીં તે અંગે નિર્ણય લઈ શકો છો."

"જો તમે લેબમાં સંશોધક છો, તો તમે ટૂંકા સમયમાં ઘણી વધુ સામગ્રી શોધી અને ચકાસી શકો છો કારણ કે તમારી પાસે તેનું મૂલ્યાંકન કરવાની ઝડપી રીત છે," બેબીનેકે ઉમેર્યું.

અભ્યાસ પર આધારિત પેપર, "મશીન લર્નિંગ માટે ફીચર એન્જિનિયરિંગે બેટરીના જીવનકાળની પ્રારંભિક આગાહી સક્ષમ કરી, "જર્નલ ઓફ પાવર સોર્સીસની 25 ફેબ્રુઆરીની ઓનલાઈન આવૃત્તિમાં દેખાયા હતા.

પોલસન અને બેબીનેક ઉપરાંત, પેપરના અન્ય લેખકોમાં આર્ગોનના જોસેફ કુબલ, લોગાન વોર્ડ, સૌરભ સક્સેના અને વેનક્વાન લુનો સમાવેશ થાય છે.

આ અભ્યાસને આર્ગોન લેબોરેટરી-ડાયરેક્ટેડ રિસર્ચ એન્ડ ડેવલપમેન્ટ (LDRD) ગ્રાન્ટ દ્વારા ભંડોળ પૂરું પાડવામાં આવ્યું હતું.