Tag: riset

  • Peneliti Michigan Kembangkan AI Prediksi Umur Baterai Lebih Cepat

    Peneliti Michigan Kembangkan AI Prediksi Umur Baterai Lebih Cepat

    Para peneliti dari University of Michigan berhasil mengembangkan sistem machine learning. Sistem ini mampu memprediksi umur pakai baterai secara signifikan lebih cepat dibandingkan metode konvensional. Teknologi inovatif ini diklaim dapat memperkirakan masa hidup baterai hanya setelah 50 siklus pengisian dan pengosongan.

    Biasanya, proses pengujian ketahanan baterai memerlukan ratusan hingga ribuan siklus charge-discharge. Tahap ini bisa memakan waktu berbulan-bulan bahkan bertahun-tahun. Model baru ini diklaim tim peneliti dapat memangkas waktu dan energi pengujian hingga 95%.

    Riset ini dipimpin oleh Asisten Profesor Ziyou Song dan kandidat doktor Jiawei Zhang. Keduanya berasal dari departemen teknik elektro dan komputer University of Michigan. Penelitian tersebut telah dipublikasikan di jurnal Nature, demikian dilansir detikINET dari Techspot, Rabu (11/2/2026).

    Pendekatan yang digunakan oleh para peneliti memanfaatkan sistem AI agentic. Sistem ini terdiri dari beberapa komponen dengan peran yang berbeda-beda. Mekanismenya bekerja layaknya tim peneliti di laboratorium.

    Setiap komponen AI agentic saling berbagi data, menguji hipotesis, dan secara bertahap memperbaiki hasil prediksi. Kerangka kerja AI ini terinspirasi dari konsep discovery learning.

    Discovery learning adalah metode pembelajaran berbasis eksplorasi dan pengalaman. Dalam konteks baterai, AI belajar dari data eksperimen masa lalu. Kemudian, AI menjalankan uji skala kecil, lalu menghubungkan performa awal dengan umur siklus jangka panjang.

    Tiga Peran Utama Sistem AI

    Sistem AI ini dibagi menjadi tiga peran utama yang saling berinteraksi. Ketiganya adalah learner, interpreter, dan oracle. Setiap peran memiliki fungsi spesifik dalam proses prediksi.

    Learner berfungsi memilih kandidat baterai yang akan diuji. Pengujian dilakukan pada kondisi suhu dan arus tertentu. Uji awal berlangsung sekitar 50 siklus pengisian dan pengosongan.

    Data dari uji awal tersebut kemudian dianalisis oleh interpreter. Proses analisis ini menggunakan simulator berbasis fisika. Setelah itu, oracle menggabungkan hasil eksperimen dengan pengetahuan historis untuk memprediksi umur operasional penuh baterai.

    Peran AI Fungsi Utama
    Learner Memilih baterai dan kondisi uji awal (sekitar 50 siklus)
    Interpreter Menganalisis data awal menggunakan simulator berbasis fisika
    Oracle Menggabungkan hasil eksperimen dan data historis untuk prediksi umur baterai

    Model ini terus belajar karena hasil prediksi dimasukkan kembali ke dataset. Proses ini membuat akurasinya meningkat seiring waktu. Setelah cukup terlatih, sistem dapat memprediksi umur baterai tanpa harus menjalani seluruh proses eksperimen panjang.

    Keunggulan Model Prediksi Michigan

    Yang membedakan pendekatan Michigan dari model statistik biasa adalah fokusnya pada pemahaman fisik dan kimia baterai. Sistem ini tidak hanya membaca sinyal listrik seperti kurva tegangan.

    Sistem ini juga menafsirkan parameter mendasar. Termasuk perilaku material elektroda saat mengalami panas, stres, dan siklus berulang. Hasilnya, model ini dapat diterapkan lintas format baterai.

    Ketika dilatih hanya dengan data baterai silinder kecil, AI tetap mampu memprediksi performa baterai pouch berukuran besar. Baterai jenis ini umumnya digunakan pada kendaraan listrik. Penelitian ini didukung oleh Farasis Energy USA, yang menyediakan data dunia nyata serta sampel baterai untuk evaluasi.

    Tim peneliti juga mengungkapkan bahwa konsumsi energi sistem prediksi ini hanya sekitar 5% dibandingkan pengujian laboratorium skala penuh. Ke depan, para peneliti menargetkan pengembangan yang lebih luas. Hal ini mencakup prediksi batas keamanan, optimasi kecepatan pengisian, dan pencarian material baru untuk baterai lithium-ion generasi berikutnya.