Как искусственный интеллект изменит инновации в энергетике?

Подобно паровому двигателю и электричеству, искусственный интеллект (ИИ) — это технология общего назначения, которая может глубоко изменить глобальную экономику и мировую энергетическую систему. Хотя ключевые неопределенности остаются, они могут иметь серьезные последствия. На первом месте в списке стоит его потенциальная роль в ускорении инноваций.

Впечатляющие технологические достижения – как постепенные, так и радикальные – помогли снизить стоимость ключевых энергетических технологий в последние годы. Но для достижения целей глобальной энергетической безопасности и снижения выбросов существующие экологически чистые энергетические технологии должны продолжать совершенствоваться, а новые энергетические технологии должны выйти на рынок. ИИ повысит потенциал и творческий потенциал ученых в создании и тестировании новых идей. Но для того, чтобы инновации, ускоренные искусственным интеллектом, действительно принесли пользу энергетическому сектору, политикам и научному сообществу необходимо достичь общего понимания наиболее многообещающих приложений и ключевых факторов, а также устранить критические пробелы.

Это ключевое направление нового направления работы МЭА в области энергетики и искусственного интеллекта, которое также включает в себя анализ того, как внедрение искусственного интеллекта повлияет на потребление электроэнергии центрами обработки данных и как искусственный интеллект может применяться для оптимизации сложных частей энергетических систем, таких как электрические сети. Предстоящая Глобальная конференция по энергетике и искусственному интеллекту, которая впервые соберет вместе лидеров правительства, энергетического сектора, технологической отрасли и гражданского общества для обсуждения этих тем, предоставит площадку для запуска и продвижения государственно-частного диалога по этим вопросам. предметы в критический момент.

Для энергетических аналитиков фундаментальный вопрос заключается в том, приведет ли применение ИИ к отклонению темпов технологического прогресса от текущих прогнозов. В области полупроводников хорошо известен закон Мура – ​​наблюдение 1960-х годов о том, что количество транзисторов в интегральной схеме удваивается примерно каждые два года, которое на протяжении нескольких десятилетий оказывалось поразительно точным. Аналогичным образом, для многих энергетических технологий принято прогнозировать снижение затрат на каждое удвоение совокупного внедрения, известное как «скорость обучения».

Однако прогресс в полупроводниковом секторе замедлился, и закон Мура не был хорошим руководством для технологического развития примерно с 2010 года. сохранится на протяжении последующих десятилетий. Недавняя инфляция цен на технологии, частично вызванная несоответствием между спросом и предложением на критически важные материалы, является напоминанием о том, что такие факторы, как производственные мощности и торговля, также могут препятствовать инновационному процессу.

Некоторые аналитики рассматривают ИИ как средство поддержания текущих прогнозов скорости обучения, несмотря на эти опасения. Другие видят в этом более разрушительную силу, из-за которой сегодняшние ставки могут выглядеть очень консервативными. Чтобы дать информацию для этой дискуссии, необходимо более внимательно рассмотреть конкретные способы, с помощью которых ИИ может ускорить темпы инноваций.

Поиск более эффективного материала для задачи или материала, который не содержит определенных нежелательных веществ, обычно зависит от человеческой изобретательности и знаний о том, как ведут себя различные соединения. Но количество возможных вариантов часто огромно. Методы искусственного интеллекта уже отлично справляются с решением проблем за счет оптимизации понятных взаимосвязей между большими и хорошо структурированными наборами данных.

В июле 2024 года исследователи из правительственной лаборатории США и Microsoft опубликовали результаты исследования, в ходе которого ИИ оценил 32,5 миллиона возможных новых твердотельных электролитов для литиевых батарей и обнаружил 23 новых с правильными характеристиками. Ученые из Швеции недавно проверили 45 миллионов потенциальных новых катодных молекул аккумуляторов и нашли около 4600 многообещающих кандидатов. Другие команды достигли аналогичных результатов, а одна из них довела свои выводы до синтеза и тестирования. Примечательно, что эти типы технологий все чаще привлекают финансирование: Anionics, стартап в области искусственного интеллекта, недавно стал партнером дочерней компании Porsche по производству аккумуляторов, а Mitra Chem привлекла 80 миллионов долларов США, пообещав сократить сроки перехода от лаборатории к производству на более 90%.

Недавние прорывы касались не только аккумуляторов. Исследователи, использующие инструменты искусственного интеллекта, также обнаружили, что они могут разрабатывать ферменты для синтеза биотоплива, прогнозировать получение высокопроизводительного сырья для биотоплива, определять лучшие в отрасли катализаторы для электролизеров по производству водорода и создавать материалы для диоксида углерода (CO).₂) захватывать. А поскольку ИИ становится все более незаменимой частью исследовательского процесса энергетических технологий, новаторы также получат выгоду от разработок в смежных областях, включая усовершенствованную робототехнику и автоматизацию. Недавнее исследование влияния использования инструментов искусственного интеллекта в условиях промышленных исследований показало увеличение числа патентов компании на 39% менее чем за два года.

Тем не менее, прежде чем методы искусственного интеллекта смогут полностью реализовать свой инновационный потенциал, необходимо преодолеть серьезные проблемы. Одной из ключевых проблем является доступность данных. Используемые сегодня наборы данных содержат неполную информацию о возможных материалах и представляют собой ограниченное подмножество молекул или реакций.

Разработка массивных, структурированных, специализированных наборов данных для обучения моделей ИИ, таких как Materials Project и Cambridge Structural Database, продолжается, но их необходимо и дальше расширять, если мы хотим решить реальные научные проблемы. Хотя создание «синтетических данных» для обучения моделей может восполнить некоторые пробелы в данных, ничто не заменит экспериментальные данные, а самый быстрый путь к большим и надежным наборам экспериментальных данных — это сотрудничество между лабораториями, в том числе на международном уровне. Платформа Mission Innovation M4E является примером международной инициативы, которая может продемонстрировать, как правительства могут поддерживать общие протоколы и совместно курируемые данные.

Еще одна задача — найти способы, с помощью которых ИИ может оптимизировать результаты не только для узкого набора характеристик, но и учесть соображения, необходимые для интеграции материала в функциональный продукт. Сегодня по-прежнему требуются существенные проверки и испытания человеком — например, для оценки производительности при различных температурах или взаимодействия со всеми другими компонентами устройства. Кроме того, разработка рецепта производства материалов, разработанных ИИ, может потребовать значительной последующей работы. Заставить ИИ выполнять эти более сложные задачи кажется возможным, но это приводит к высоким вычислительным требованиям и затратам, которые необходимо оценить.

Идентификация нового материала для применения в энергетике с помощью компьютерного метода — это менее половины инновационной задачи. Создание прототипа с последующей коммерциализацией, массовым производством и широким распространением на рынке может занять годы или даже десятилетия. Однако другие инструменты, связанные с ИИ, находящиеся в стадии разработки, также могут сжать эти графики.

Один из них известен как лаборатория беспилотного вождения. В A-Lab Национальной лаборатории Лоуренса Беркли Министерства энергетики США имеется серия роботов, которые с февраля 2024 года могут синтезировать химические вещества для хранения энергии, предсказанные компьютерными расчетами, чтобы обеспечить значительное улучшение производительности. Эта беспилотная лаборатория может обрабатывать в 100 раз больше проб в день, чем ее эквивалент, управляемый человеком.

Для больших и сложных систем компьютерное средство, известное как «цифровой двойник», может значительно снизить затраты и риски, связанные с проектированием и масштабированием. Цифровые двойники, являющиеся виртуальными представлениями всех элементов конкретного предприятия или процесса, уже более десяти лет используются для оптимизации производства, но теперь они основаны на искусственном интеллекте и применяются для инноваций. В таких секторах, как ядерный синтез, они помогают проектировать и испытывать оборудование. Есть надежда, что затраты на сложное инженерное проектирование будут резко снижены, особенно для дорогих и уникальных проектов. Это может стать значительным стимулом для новаторов в области промышленных технологий декарбонизации и геотермальной энергетики. процессы синтетического топлива и CO₂ захват и хранение.

Однако сохраняются трудности с применением ИИ на этом этапе инновационного процесса. В настоящее время не все эти инструменты широко доступны инноваторам на этапе масштабирования. Кроме того, пробелы в навыках могут стать проблемой в быстро развивающейся области, в то время как для поддержки и внедрения новых подходов к тестированию и коммерциализации продуктов и услуг потребуются гибкие нормативные базы и стандарты.

Существует явный потенциал ИИ для улучшения и ускорения инноваций для решения широкого спектра проблем энергетических технологий. Уже есть интересные примеры того, как это происходит, но весь потенциал ИИ в этой области не будет реализован, если правительства заранее не сосредоточатся на некоторых ключевых возникающих проблемах.

Чтобы стимулировать научные открытия для достижения наиболее эффективных результатов, необходимо инвестировать в базы данных с возможностью поиска, которые следуют общим протоколам и являются широко доступными, в том числе за счет объединения лабораторий через международные границы. Также потребуются инвестиции в навыки и оборудование, и политики смогут направить усилия на удовлетворение наиболее насущных технологических потребностей. Чтобы поддержать коммерциализацию, политикам следует также подумать о том, как сделать новые цифровые инструменты широко доступными для новаторов и помочь инвесторам приспособиться к полученному снижению риска проекта. В то же время вычислительные и энергетические потребности ИИ для решения этих важных задач, а также потенциальные риски, например, связанные с интеллектуальной собственностью, должны обсуждаться на многосторонних форумах.

В случае успеха ИИ не только ускорит и улучшит результаты инноваций, но и обеспечит экономическую конкурентоспособность. Как только новые продукты будут готовы к выходу на рынок, анализ данных, генерируемых новыми продуктами, с помощью ИИ может повысить их ценность для потребителей. Более эффективное принятие решений с помощью программного обеспечения для управления новыми технологиями также может снизить риски и повысить ценность для их пользователей. Выгоды будут разделены между всеми странами, их новаторами, инвесторами и фирмами, если усилия будут предусмотрены, направлены и будут совместными.