Teknologi

Batterier får medicinering med hjälp av maskininlärning!

2025-09-01

Författare: Axel

Forskning som förändrar batteribranschen

Precis som människor ibland behöver medicin för att blomstra, kan även batterier få en boost i prestanda genom speciella tillsatser. Forskare vid Argonne National Laboratory i USA har revolutionerat sättet att optimera batteriers kapacitet, särskilt när det kommer till LNMO-batterier.

Tillsatser som livsförbättrare

LNMO-batterier, gjorda av litium, nickel, mangan och syre, behöver ingen kobolt, vilket gör dem till ett mer hållbart alternativ till traditionella litiumjonbatterier. Trots den höga energilagringskapaciteten har dessa celler ett bekymmersamt problem: katodmaterialet tenderar att brytas ner. Genom att injicera rätt tillsatser kan dessa batterier bli mer hållbara och effektiva.

Medicinska liknelser i batteriteknik

"Se tillsatsen som medicin. Det gör batteriet bättre!" säger Chen Liao, en av forskarna bakom studien. Genom att likna tillsatser vid medicin skapas en tydlig bild av hur viktigt det är att välja rätt komponenter för att optimera batteriets funktion.

Maskininlärning för snabbare resultat

För att effektivisera urvalsprocessen har forskarna utvecklat en avancerad maskininlärningsmodell som kan förutsäga viktiga egenskaper hos batterier, såsom deras resistens och energilagringskapacitet. Hieu Doan, en annan forskare i projektet, förklarar att denna modell gör det möjligt att snabbt identifiera de mest lovande tillsatserna, istället för att behöva genomföra tidskrävande och kostsamma experiment.

Revolutionerande framsteg i batteriforskning

Genom att träna modellen på data från 28 olika tillsatser, kunde forskarna förutsäga hur 125 nya tillsatser skulle påverka batteriernas prestanda. Tack vare denna teknik sparades tid och resurser, vilket annars skulle ha krävt månader av traditionella tester.

En ny era för energilagring

"Vårt arbete visar att man inte alltid behöver stora datamängder för att träna exakta modeller. En väl vald uppsättning data är allt som krävs för att göra korrekta förutsägelser," konstaterar Hieu Doan. Med hjälp av maskininlärning kan framtidens batterier alltså snart bli både snabbare och mer effektiva. Dessa banbrytande metoder kan mycket väl revolutionera hur vi lagrar och använder energi i framtiden!