AI が電気自動車をより安全かつ効率的にする方法

国際エネルギー機関の最近の調査によると、昨年は世界中で毎週25万台以上の電気自動車（EV）が販売されました。調査では、消費者によるEVの普及が転換点を迎えていることも判明しており、業界幹部は、EVがより安価になっていることを主な理由として、2030年までに自動車販売の40％をEVが占めると予測しています。

バッテリーはEVのコストに最も大きく影響する部分であり、安全性と性能に関する懸念が最も高い部分でもあります。

しかし、アリゾナ大学の新たな研究では、機械学習はEVバッテリーの爆発を防ぐのに役立つ可能性があることが示されています。自動車メーカーは、高度なアルゴリズムを使用して、最高の性能とより持続可能な自動車につながる特定の化学物質、サイズ、形状を決定することもできます。

「こうした仮想的なバッテリーの開発と完成は、数十億ドル規模のビジネスチャンスを解き放つ可能性がある」とIBM PartnerでMercedes-Benz社のイノベーション・ディレクターであるBenjamin Boeser氏は語っています。

IBM Institute for Business Valueによる最近の現地調査によると、まだ初期段階ではあるものの、AIによってEVの認識価値が20%以上高まると予想されています。

リチウムイオン電池は、その卓越したエネルギー密度や寿命の長さ、軽量な設計により、長年にわたり世界のEVバッテリー市場をリードしてきました。

リチウムイオン電池については、特に「熱暴走」のリスクに関連した安全上の懸念が依然として残っています。これは、バッテリーの温度が予期せず急上昇した場合に発生し、バッテリーが故障したり、火災になったり、さらには爆発を引き起こしたりするリスクがあります。

熱暴走は、過充電、過放電、高温への曝露、製造上の欠陥、内部短絡など、さまざまな要因によって発生する可能性があります。

熱暴走に対処するため、アリゾナ大学のチームは、リチウムイオン電池の温度急上昇を予測し防止する機械学習モデルを開発しました。

電気自動車には通常、数百個の密接したセルがモジュールに詰め込まれたバッテリー パックが搭載されています。1つのセルで熱暴走が発生すると、近くのセルも同様に加熱される可能性が高くなります。

「電池の温度が指数関数的に加速するため、連鎖反応が生じます」と、このプロジェクトの主な研究者であるBasab Ranjan Das Goswami氏は述べています。「もしそうなった場合、電気自動車のバッテリーパック全体が爆発してしまう可能性があります。」

チームは、時間と場所を考慮に入れる気象予測のフレームワークに触発され、熱暴走がいつどこで始まるかを予測するアルゴリズムを開発しました。研究者たちは、バッテリーセルに巻き付けられた熱センサーを使用して、過去の温度データを機械学習アルゴリズムに入力し、将来の温度を予測しました。

「ホットスポットの位置や熱暴走の始まりがわかれば、バッテリーが危険な段階に達する前に停止させる解決策を計画できる」とGoswami氏は述べています。

将来の潜在的な解決策としては、将来のホットスポットを検知し、安全スイッチを作動させてメインパックからの電気接続を遮断する早期警報システムが考えられます。

高度なアルゴリズムにより、バッテリーの安全性が向上するだけでなく、バッテリーの性能とサステナビリティーも向上します。

「将来的には、低消費電力のAIチップが大型バッテリーの必要性を減らすのに役立つでしょう」と、IBM Institute for Business Valueのテクノロジー思想リーダーであるNoriko Suzuki氏は述べています。「EVのバッテリーは高価で非常に重いため、道路インフラへの負担が大きくなります。

カリフォルニア州アルマデンにあるIBMの研究所では、AIと機械学習を活用し、EV車両向けに、より強力で持続可能かつエネルギー効率の高いバッテリーを開発する専用プロジェクトを実施しています。

具体的には、チームはAIと機械学習のワークフローを使用して、電池の安全性、安定性、効率に影響を与えるクリティカル コンポーネントである電解質材料の発見と最適化を加速させています。このワークフローは、自動化されたシミュレーション ワークフローと広範なドメイン固有の知識とデータセットを専用のAIモデルと統合し、高性能バッテリー用の新しい電解質配合を発見します。

「AIは複雑なバッテリー材料とプロセスの発見を加速させる可能性を秘めており、より高速な充電、エネルギー密度の向上、サステナビリティーの向上を実現します」と、アルマデン研究所のIBM研究科学者であるMurtaza Zohair氏は述べています。

9,000万以上の分子で事前トレーニングされた大規模な化学モデルであるマルチモーダルAI基盤モデルは、ラベル付けされたバッテリー データセットを使用して微調整することができ、電解質配合などの複雑な材料の特性を予測して、バッテリーの性能を最適化できます。詳細検索アルゴリズムは、膨大な量の既存の科学文献から知識を素早く引き出すことができます。シミュレーション ツールキットを使用すると、材料とその機能をより深く理解するために、どのような種類のシミュレーションを実行するかを効率的に決定できます。最後に、生成モデルは新しい材料を迅速に提案することができます。

バッテリー内部の化学反応に注目する研究者がいる一方で、EV バッテリーの消費エネルギーを削減するのに役立つ外部要因をAIを使用して研究している研究者もいます。

エジプトのギザにあるアラブ科学アカデミーの研究者グループは最近、EVのGPSシステム向けに、最短、最速、そして最もエネルギー効率の良い移動ルートを選択する新しいアルゴリズムを開発しました。

研究者らは、このアルゴリズムを使用して、さまざまな道路トポロジーでの電気自動車のエネルギー消費量を調査し、さまざまな車両モデル、風速、風向がエネルギー消費に及ぼす影響を評価しました。

研究者らは、風速と風向により、約50kmにわたる短い移動中にバッテリー容量の約49％を節約できることを発見しました。また、道路のトポロジーが航続距離の予測とエネルギー消費に大きな影響を与えていることも判明しました。たとえば、勾配の少ない道路を選択すると、約46％のエネルギー節約につながります。

EVの最適なルートを選択する際に、これらすべての要因を考慮することで、コストを節約し、バッテリーの寿命を延ばすことができます。

EVバッテリー充電インフラ全体を最適化することも、広範なEV導入への道を開くために重要です。たとえば、アルゴリズムがバッテリーのヘルスと状態を監視し、最大の運転範囲とバッテリー寿命を確保するための最適な充電ポイントとタイミングを提案する「スマート充電」には、AIが不可欠となるでしょう。AIはまた、車両や充電ネットワークのセキュリティー監視やインシデント対応にも同様に役立ちます。

機械学習とディープラーニングのアルゴリズムは、センサーやカメラと組み合わされ、すでに車両の安全性と効率性を高めたいと考えている運転手に車内支援を提供しています。たとえば、フォルクスワーゲンは、生成AIを多くの車に統合しており、ドライバーは最終的に、たとえば、車を最寄りの EV 充電ステーションにルート変更するよう要求できるようになりました。

長期的には、AIが先進運転支援システムと自律走行を統合し、予知保全を可能にし、スマートグリッドとの統合を支援することで、EV市場と交通がより広範囲に変革することが期待できます。最終的に、電気自動車のイノベーションの道のりは無限であり、AIはその旅をよりスムーズなものにするために大きく貢献しています。