conducir hacia un planeta más saludable, Toyota y autos eléctricos

Brian Storey, describe cómo el Instituto de Investigación de Toyota está adoptando el aprendizaje automático para avanzar en el uso de vehículos eléctricos.

Con 100 millones de vehículos Toyota en el planeta emitiendo gases de efecto invernadero a un ritmo aproximadamente comparable al de Francia, Toyota Motor Corporation se ha fijado el objetivo de reducir todas las emisiones del tubo de escape en un 90 por ciento para 2050, según Brian Storey, director de Toyota Research. Institute (TRI) Programa acelerado de diseño y descubrimiento de materiales desde su oficina de Kendall Square en Cambridge, Massachusetts. Pronunció el discurso de apertura en el Simposio del Día de los Materiales del Laboratorio de Investigación de Materiales del MIT el 9 de octubre.

“Ha comenzado un cambio rápido del vehículo tradicional a los vehículos eléctricos”, dice Storey. “Y queremos permitir que eso suceda a un ritmo más rápido”.

“Nuestra función en TRI es desarrollar herramientas para acelerar el desarrollo de vehículos libres de emisiones”, dijo Storey. Agregó que el aprendizaje automático está ayudando a acelerar esas innovaciones, pero los desafíos son muy grandes, por lo que su equipo debe ser un poco humilde sobre lo que realmente puede lograr.

La electrificación es solo uno de los cuatro “disruptores” de la industria automotriz, que a menudo se abrevian CASE (conectado, autónomo, compartido, eléctrico). “Es un factor disruptivo para la industria porque Toyota tiene décadas de experiencia en la optimización del motor de combustión”, dijo Storey. “Sabemos cómo hacerlo; es confiable; es asequible; dura para siempre Realmente, el corazón de la marca Toyota es la calidad del motor de combustión y la transmisión”.

Storey afirmó que a medida que la sociedad avanza hacia la electrificación (vehículos con pilas de combustible o baterías), se necesitan nuevas capacidades, tecnología y conocimientos. Storey dice que “si bien Toyota tiene mucha experiencia en estas áreas, todavía tenemos que avanzar más rápido si vamos a hacer este tipo de transición”.

Para ayudar con esa aceleración, el Instituto de Investigación de Toyota proporciona $10 millones al año para apoyar la investigación de aproximadamente 125 profesores, posdoctorados y estudiantes graduados en 10 instituciones académicas. Cerca de $2 millones al año de esa investigación se están  haciendo en el MIT . Storey también es profesor de ingeniería mecánica en  Olin College of Engineering .

Por ejemplo, el proyecto Battery Evaluation and Early Prediction (BEEP), que es una colaboración del TRI con el MIT y la Universidad de Stanford, tiene como objetivo ampliar el valor de los sistemas de baterías a base de litio. En los experimentos, muchas baterías se cargan y descargan al mismo tiempo. “Solo con esos datos, los datos de carga y descarga, podemos extraer características. Es súper práctico porque obtenemos los datos. Extraemos características de los datos y podemos correlacionar esas características con la vida útil”, explicó Storey.

La forma tradicional de probar si una batería va a durar mil ciclos es ciclarla mil veces. Storey señaló que si cada ciclo toma una hora, una batería requiere 1000 horas de prueba. “Lo que queremos hacer es hacer retroceder ese tiempo, por lo que nuestro objetivo es poder hacerlo en cinco: hacer ciclos cinco veces y obtener una buena estimación de cuál sería la vida útil de la batería en 1000 ciclos, haciéndolo puramente a partir de datos”, dijo Storey.

Los  resultados publicados  en  Nature Energy  en marzo de 2019 muestran solo un error de prueba del 4,9 por ciento utilizando datos para clasificar las baterías de iones de litio de los primeros cinco ciclos de carga/descarga.

“Esta es una buena capacidad porque en realidad permite acelerar las pruebas”, señaló Storey. “Está utilizando el aprendizaje automático, pero en realidad lo está utilizando a escala del dispositivo, la batería ‘tal como está fabricada'”.

El sistema de software de evaluación de baterías basado en la nube permite que TRI colabore fácilmente con colegas del MIT, Stanford y la base de operaciones de Toyota en Japón, dijo.

Los investigadores del programa lo operan de manera semiautónoma y de circuito cerrado, donde la computadora decide y ejecuta el siguiente mejor experimento. El sistema encuentra políticas de cobro mejores que las publicadas en la literatura, y las encuentra rápidamente. “La clave de esto es el modelo de predicción temprana, porque si queremos predecir la vida útil, no tenemos que hacer la prueba completa”. Storey agregó que la prueba de ciclo cerrado “hace que el científico suba un nivel en términos de las preguntas que puede hacer”.

A TRI le gustaría usar este sistema de evaluación de batería de circuito cerrado para optimizar el primer ciclo de carga/descarga por el que pasa una batería, que se denomina ciclo de formación. “Es como cuidar la batería cuando es un bebé”, explicó Storey. “La forma en que haces esos primeros ciclos en realidad lo configura para el resto de su vida. Es un verdadero arte negro, ¿y cómo optimizas este proceso?

El objetivo a largo plazo de TRI es mejorar la durabilidad de la batería para que, desde el punto de vista del consumidor, la capacidad de la batería nunca disminuya. Storey enfatizó que “queremos que la batería del automóvil dure para siempre”.

Storey señala que el TRI también está llevando a cabo otros dos proyectos de investigación, Experimentación de catálisis asistida por IA (ACE) con CalTech para mejorar los catalizadores para vehículos de celdas de combustible como el Mirai de Toyota, y un proyecto de síntesis de materiales, principalmente dentro del TRI, para usar el aprendizaje automático para identificar si o no, es probable que los nuevos materiales predichos en la computadora sean sintetizables.

Para el proyecto de síntesis de materiales, TRI comenzó con los diagramas de fase de los materiales. “Construyes una red de cada material que tienes en la base de datos computacional y observas las características de la red. Creer que de alguna manera esos materiales están conectados a otros materiales a través de la relación en esta red proporciona una predicción de la capacidad de síntesis”, explicó Storey. “La forma en que puedes entrenar el algoritmo es mirando el registro histórico de cuándo se sintetizaron ciertos materiales. Puede hacer retroceder virtualmente el reloj, fingiendo saber solo lo que sabía en 1980, y usar eso para entrenar su algoritmo”. En mayo se publicó un  informe  sobre la red de síntesis de materiales en  Nature Communications .

El TRI está colaborando con el Laboratorio Nacional Lawrence Berkeley (LBNL) y el profesor del MIT Martin Z. Bazant en un proyecto que combina la mecánica muy detallada de las partículas de la batería reveladas a través de microscopía electrónica de túnel de barrido 4D con un modelo continuo que captura las propiedades de los materiales a mayor escala. “Este programa determina la cinética de la reacción y la termodinámica en una escala continua, que de otro modo se desconoce”, dijo Storey.

“Estamos poniendo nuestras herramientas de software en línea, por lo que durante el próximo año muchas de estas herramientas comenzarán a estar disponibles”, explicó Storey. Alojada por LBNL, la base de datos de materiales de Propnet ya está accesible para los colaboradores internos. Se puede acceder a Matscholar a través de  GitHub . Ambos proyectos fueron financiados por el TRI.

“Nuestro sueño, que es un trabajo en progreso, es tener una arquitectura de sistema que cubra todos estos proyectos y pueda comenzar a unirlos”, dijo Storey. “Estamos creando un sistema que está diseñado para el aprendizaje automático desde el principio, permite diversos datos, permite sistemas y mediciones a escala atómica, y es capaz de esta idea de autonomía y retroalimentación impulsada por IA. La idea es que inicie el sistema y se ejecute solo, y todo vive en la nube para permitir la colaboración”.