Penerapan AI Bisa Pangkas Waktu Riset Baterai Mobil Listrik hingga 95 Persen

Secara tradisional, seperti dikutip dari carnewschina.com, validasi ketahanan baterai membutuhkan waktu berbulan-bulan bahkan bertahun-tahun karena harus melalui ribuan siklus pengisian untuk melihat pola degradasinya. Namun, sistem machine learning yang dikembangkan oleh tim pimpinan Asisten Profesor Ziyou Song dan peneliti Jiawei Zhang ini mampu melompati batasan tersebut dengan menggabungkan data eksperimen tahap awal dengan pemodelan berbasis fisika.

Arsitektur AI yang disebut sebagai kerangka kerja "agentic" ini bekerja secara iteratif untuk meningkatkan akurasi prediksi performa jangka panjang. Alih-alih menunggu baterai rusak secara alami, AI dapat memproyeksikan kapan penurunan performa akan terjadi. Hal ini memungkinkan para insinyur untuk mengetahui kualitas sebuah desain baterai baru jauh lebih cepat, sehingga siklus pengembangan produk otomotif dapat dipersingkat secara drastis.

Proyek riset canggih ini mendapatkan validasi melalui sampel baterai jenis pouch (kantong) yang disediakan oleh Farasis Energy. Sebagai produsen yang berbasis di Ganzhou dan terintegrasi kuat dalam rantai pasok otomotif Tiongkok, Farasis menyediakan data krusial yang membantu AI memahami perilaku sel baterai dalam kondisi nyata. Meskipun AI tersebut awalnya dilatih menggunakan data baterai silinder, sistem ini terbukti sukses memprediksi masa pakai sel kantong milik Farasis dengan akurasi tinggi.

Keterlibatan Farasis Energy mempertegas dominasi manufaktur Tiongkok dalam pengembangan teknologi baterai global. Perusahaan ini merupakan pemasok utama bagi produsen otomotif besar seperti Geely, GAC, FAW, hingga merek global seperti Mercedes-Benz. Dukungan Farasis tidak hanya memberikan sampel fisik, tetapi juga standar data industri yang memungkinkan model AI ini bisa diterapkan secara luas pada berbagai format baterai, mulai dari perangkat elektronik konsumen hingga kendaraan listrik kelas berat.

Keberhasilan memprediksi masa pakai hanyalah langkah awal dari potensi besar teknologi AI ini. Para peneliti kini mulai mengeksplorasi penggunaan kerangka kerja tersebut untuk mengestimasi batas keamanan, mengoptimalkan strategi pengisian daya cepat, hingga mengidentifikasi material baru untuk baterai litium-ion generasi berikutnya. Integrasi AI diharapkan dapat meminimalisir risiko kegagalan teknis yang sering menghantui pengembangan baterai berkapasitas tinggi.

Di sisi lain, Farasis Energy juga terus memacu inovasi dengan mengembangkan sel baterai semi-padat (semi-solid) dan padat (solid-state). Dengan bantuan sistem AI yang mampu melakukan pengujian kilat, penemuan material baterai masa depan yang lebih aman dan bertenaga besar diprediksi akan muncul lebih cepat di pasar. Kolaborasi lintas negara ini membuktikan bahwa perpaduan antara kecerdasan perangkat lunak dan keunggulan manufaktur skala besar adalah kunci utama dalam memimpin transisi energi hijau di masa depan.