Cambridge ve Newcastle Üniversitesi araştırmacılarının çalışması, pillere elektrik şoklarının gönderilerek, sonrasında ise gelen yanıtın ölçülerek izlenmesini esas almaktadır. Ölçümler daha sonra pilin sağlığını ve ömrünü tahmin etmek için bir makine öğrenme algoritması ile işlenmektedir. Yöntemleri invaziv değildir ve mevcut herhangi bir pil sistemine basit olarak eklenebilmektedir.

Lityum iyon pillerin sağlık durumunu ve kalan ömrünü tahmin etmek, elektrikli araçlar ve cep telefonu kullanıcıları için büyük bir gerekliliktir.

Pil sağlığını tahmin etmek için mevcut yöntemler, pilin şarj edilmesi ve boşaltılması sırasında akım ve voltajın izlenmesine dayanır. Bu, pil sağlığını gösteren önemli özelliklerin gözden kaçırılmasına neden olur. Pilde gerçekleşen birçok işlemi izlemek, pilleri çalışırken araştırmanın yeni yollarının yanı sıra, şarj edilmiş ve deşarj olurken sinyalleri algılayabilen yeni algoritmalar gerektirir.

Araştırmaya öncülük eden Cambridge Cavendish Laboratuvarı'ndan Dr. Alpha Lee, " Çok fazla enerji toplayabilen pilleri dar alanlarda kullanılabilecek şekilde geliştirdiğimiz için pillerdeki güvenlik ve güvenilirlik en önemli tasarım kriteri olmuştur. Şarj ve deşarjı izleyen yazılımı geliştirerek ve şarj işlemini kontrol etmek için veriye dayalı yazılım kullanarak, pil performansında büyük bir gelişme sağlayabileceğimize inanıyorum" diyor.

Araştırmacılar, içine elektrik şokları göndererek ve tepkisini ölçerek pilleri izlemek için bir yol tasarladılar. Daha sonra elektriksel yanıtta pil ömrünün en belirgin belirtisi olan belirli özellikleri keşfetmek için bir makine öğrenme modeli kullanılır.

Araştırmacılar, türünün en büyük veri seti olan modeli eğitmek için 20.000'den fazla deneysel ölçüm gerçekleştirdiler. En önemlisi ise modelleri, önemli sinyallerin alakasız gürültüden nasıl ayırt edileceğini öğrenmektedir.

Araştırmacılar ayrıca, makine öğrenme modelinin fiziksel bozulma mekanizması hakkında ipuçları vermek üzere yorumlanabileceğini de gösterdiler. Model, hangi elektrik sinyallerinin pil ömrü ile en fazla ilişkili olduğunu bildirebilir, bu da pillerin neden ve nasıl bozulduğunu araştırmak için belirli deneyler tasarlamalarına izin verebilir.

Cavendish Laboratuvarı'ndan ve prpje ekibinden Dr Yunwei Zhang, “Makine öğrenimi fiziksel anlayışı tamamlar ve arttırır. Makine öğrenimi modelimiz tarafından tanımlanan yorumlanabilir sinyaller, gelecekteki teorik ve deneysel çalışmaların başlangıç ​​noktasıdır" açıklamalarını yaptı.

Araştırmacılar şimdi farklı pil kimyalarındaki bozulmayı anlamak için makine öğrenme platformlarını kullanarak, hızlı şarj sağlamak ve bozulmayı en aza indirmek için makine öğrenimi ile çalışan optimum pil şarj protokolleri geliştirmeye çalışıyor.