En route vers une planète plus saine
Avec 100 millions de véhicules Toyota sur la planète émettant des gaz à effet de serre à un rythme à peu près comparable à celui de la France, la Toyota Motor Corporation s’est fixé comme objectif de réduire toutes les émissions d’échappement de 90 % d’ici 2050, selon Brian Storey, qui dirige le programme Institut de recherche Toyota (TRI) de son bureau de Kendall Square à Cambridge, Massachusetts. Il a prononcé l’allocution principale lors du symposium de la Journée des matériaux du Laboratoire de recherche sur les matériaux du MIT, le 9 octobre.
« Le passage rapide du véhicule traditionnel au véhicule électrique a commencé « , dit M. Storey. « Et nous voulons que cela se produise plus rapidement. »
« Notre rôle à TRI est de développer des outils pour accélérer le développement de véhicules sans émissions « , a déclaré Storey. Il a ajouté que l’apprentissage machine permet d’accélérer ces innovations, mais que les défis sont très grands et que son équipe doit donc faire preuve d’un peu d’humilité quant à ce qu’elle peut réellement accomplir.
L’électrification n’est qu’un des quatre « perturbateurs » de l’industrie automobile, souvent abrégés en CASE (connecté, autonome, partagé, électrique). « C’est un perturbateur pour l’industrie parce que Toyota a des décennies d’expérience dans l’optimisation du moteur à combustion « , a dit M. Storey. « Nous savons comment le faire ; c’est fiable ; c’est abordable ; ça dure pour toujours. Le cœur de la marque Toyota est la qualité du moteur à combustion et de la transmission. »
M. Storey a déclaré qu’à mesure que la société évolue vers l’électrification – véhicules à batterie ou à pile à combustible – de nouvelles capacités, technologies et savoir-faire sont nécessaires. M. Storey dit : » Bien que Toyota ait beaucoup d’expérience dans ces domaines, nous devons quand même aller plus vite si nous voulons faire ce genre de transition « .
Pour contribuer à cette accélération, l’Institut de recherche Toyota fournit 10 millions de dollars par année pour appuyer la recherche d’environ 125 professeurs, postdoctorants et étudiants diplômés dans 10 établissements universitaires. Environ deux millions de dollars par année de cette recherche sont consacrés au MIT. M. Storey est également professeur de génie mécanique à l’Université de Toronto. Collège d’ingénierie d’Olin.
Par exemple, le projet BEEP (Battery Evaluation and Early Prediction), qui est une collaboration du TRI avec le MIT et l’Université de Stanford, vise à accroître la valeur des systèmes de batteries au lithium. Dans les expériences, plusieurs batteries sont chargées et déchargées en même temps. « À partir de ces seules données, les données de charge et de décharge, nous pouvons extraire des caractéristiques. C’est super pratique parce que nous obtenons les données. Nous extrayons des caractéristiques des données, et nous pouvons corréler ces caractéristiques avec la durée de vie « , explique Storey.
La façon traditionnelle de vérifier si une batterie dure mille cycles est de la faire fonctionner mille fois. Storey a noté que si chaque cycle dure une heure, une batterie nécessite 1 000 heures de test. « Ce que nous voulons faire, c’est ramener ce temps en arrière, et notre objectif est donc de pouvoir le faire en cinq fois, c’est-à-dire cinq fois par cycle et obtenir une bonne estimation de la durée de vie de la batterie à 1 000 cycles, à partir de données uniquement « , a dit Storey.
Publié bilan en Nature Énergie en mars 2019 ne montrent qu’une erreur de test de 4,9 % en utilisant les données de classification des batteries lithium-ion des cinq premiers cycles de charge/décharge.
« C’est une capacité intéressante parce qu’elle permet en fait d’accélérer les tests « , a noté Storey. « Il utilise l’apprentissage machine, mais il l’utilise vraiment à l’échelle de l’appareil, la batterie « telle que fabriquée ». »
Le système logiciel d’évaluation des batteries en nuage permet à TRI de collaborer facilement avec ses collègues du MIT, de Stanford et de la base de Toyota au Japon, a-t-il dit.
Les chercheurs du programme l’exploitent en boucle fermée, de façon semi-autonome, où l’ordinateur décide et exécute l’expérience suivante. Le système trouve des politiques de tarification qui sont meilleures que celles qui ont été publiées dans la littérature, et il les trouve rapidement. « La clé, c’est le modèle de prédiction précoce, parce que si on veut prédire la durée de vie, on n’a pas à faire tout le test. » M. Storey a ajouté que le test en boucle fermée » permet au scientifique de remonter d’un niveau en ce qui concerne les questions qu’il peut poser « .
TRI aimerait utiliser ce système d’évaluation en boucle fermée pour optimiser le premier cycle de charge/décharge d’une batterie, appelé cycle de formation. « C’est comme s’occuper de la batterie quand c’est un bébé « , explique Storey. « La façon dont vous faites ces premiers cycles le prépare pour le reste de sa vie. C’est un véritable art noir, et comment optimiser ce processus ? »
L’objectif à long terme de TRI est d’améliorer la durabilité des batteries afin que, du point de vue du consommateur, la capacité des batteries ne diminue jamais. Storey souligne : « Nous voulons que la batterie de la voiture dure pour toujours. »
Storey note que TRI mène également deux autres projets de recherche, l’Expérimentation par catalyse assistée par l’IA (ACE) avec CalTech pour améliorer les catalyseurs des véhicules à pile à combustible comme le Mirai de Toyota, et un projet de synthèse des matériaux, principalement au sein de TRI, pour utiliser l’apprentissage machine afin de déterminer si les nouveaux matériaux prévus sur ordinateur sont susceptibles ou non de se résumer.
Pour le projet de synthèse des matériaux, TRI a commencé par les diagrammes de phases des matériaux. « Vous construisez un réseau à partir de tous les documents que vous avez dans la base de données informatique et vous examinez les caractéristiques du réseau. Croire que ces matériaux sont reliés à d’autres matériaux par le biais de la relation dans ce réseau fournit une prédiction de synthétisabilité, » explique Storey. « La façon d’entraîner l’algorithme est de regarder dans l’historique de la date à laquelle certains matériaux ont été synthétisés. Vous pouvez pratiquement remonter le temps, prétendant ne savoir que ce que vous saviez en 1980, et utiliser ça pour entraîner votre algorithme. » A compte-rendu sur le réseau de synthèse des matériaux a été publié en mai dans Nature Communications.
TRI collabore avec le Lawrence Berkeley National Laboratory (LBNL) et le professeur Martin Z. Bazant du MIT dans le cadre d’un projet qui associe la mécanique très détaillée des particules de batterie révélées par la microscopie électronique à balayage 4D à effet tunnel avec un modèle de continuum qui saisit les propriétés des matériaux à plus grande échelle. « Ce programme permet de déterminer la cinétique de réaction et la thermodynamique à l’échelle d’un continuum, ce qui est autrement inconnu « , a déclaré M. Storey.
« Nous mettons nos outils logiciels en ligne, de sorte qu’au cours de la prochaine année, bon nombre de ces outils commenceront à être disponibles « , a expliqué M. Storey. Hébergée par le LBNL, la base de données des matériaux Propnet est déjà accessible aux collaborateurs internes. Matscholar est accessible par l’intermédiaire de GitHub. Les deux projets ont été financés par TRI.
« Notre rêve, qui est un travail en cours, est d’avoir une architecture de système qui couvre tous ces projets et qui peut commencer à les relier ensemble « , a dit M. Storey. « Nous sommes en train de créer un système qui est conçu pour l’apprentissage machine dès le départ, qui tient compte de la diversité des données, des systèmes et des mesures à l’échelle atomique, et qui est capable de cette idée de rétroaction et d’autonomie par l’IA. L’idée est que vous lancez le système et qu’il fonctionne tout seul, et que tout vit dans le nuage pour permettre la collaboration. »