Виртуальный электрод на основе ИИ продлил жизнь аккумулятора в 8 раз

Большая часть современной портативной электроники работает на литий-ионных батареях, однако их ресурс ограничен: со временем емкость снижается, а риск коротких замыканий и возгораний растет. Причина — осаждение лития на отрицательном электроде. Группа химиков и инженеров предложила необычное решение: вместо физического третьего электрода использовать виртуальный, созданный с помощью глубокого обучения.

Исследователи обучили нейросеть на 10 миллионах точек данных, полученных с 55 трехэлектродных миниатюрных батарей при различных режимах зарядки. Виртуальный электрод имитировал ансамбль нейронных сетей, которые мгновенно и с высокой точностью предсказывали потенциал отрицательного электрода относительно литиевого. В отличие от физического электрода, который со временем деградирует, виртуальный сохраняет точность на протяжении всей работы батареи.

Экспериментальное подтверждение

Чтобы проверить модель, ученые провели эксперименты с двухэлектродными ячейками, где отрицательный электрод был из графита, а положительный — из LiFePO₄. Зарядку останавливали, когда виртуальный электрод показывал определенное напряжение. Анализ поверхности под электронным микроскопом показал: при потенциале 0,01 и 0 вольт литий не осаждался. При -0,01 вольта появлялись мельчайшие частицы лития, а при -0,02 — ветви металла, покрывавшие до 50% поверхности. Это подтвердило, что виртуальный электрод работает так же эффективно, как реальный референтный электрод.

Адаптивный протокол зарядки

На основе полученных данных исследователи разработали адаптивный протокол зарядки. Сначала ток высокий, но как только потенциал отрицательного электрода приближается к пороговому значению 0,02 вольта, система автоматически ступенчато снижает ток, не позволяя потенциалу войти в опасную зону. Этот подход протестировали на ячейках, склонных к осаждению лития: при стандартном протоколе емкость падала на 80% уже к 10-15-му циклу, а при зарядке с виртуальным электродом ячейка сохраняла работоспособность до 120 циклов — в 8,25 раза дольше.

Ключевое преимущество модели — она обучалась на реальных данных, а не на уравнениях, поэтому учитывает сложные эффекты деградации: изменение импеданса, потерю лития. С увеличением объема данных точность предсказаний растет. Авторы считают, что их система открывает путь к динамическому управлению каждой ячейкой батареи. Предварительные затраты на внедрение окупятся за счет максимальной производительности батарей без повышения рисков.

Кроме того, этот подход можно распространить на виртуальные сенсоры для контроля внутреннего давления и температуры, что еще больше повысит безопасность и эффективность аккумуляторов. Результаты исследования опубликованы в журнале Nature Communications.