ИИ В ЭНЕРГЕТИКЕ. ИННОВАЦИИ.

Как искусственный интеллект трансформирует энергетические инновации? Подобно паровому двигателю и электричеству, искусственный интеллект (ИИ) является технологией общего назначения, которая может коренным образом преобразовать мировую 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 в области глобальной энергетической безопасности и сокращения выбросов существующие технологии чистой энергетики должны продолжать совершенствоваться, а новые энергетические технологии должны выйти на рынок. ИИ расширит возможности и творческий потенциал учёных в генерировании и тестировании новых идей. Но для того, чтобы инновации, ускоренные искусственным интеллектом, действительно принесли пользу энергетическому сектору, политикам и научному сообществу необходимо выработать общее понимание наиболее перспективных областей применения и ключевых факторов, а также устранить критические недостатки. Для аналитиков в области энергетики фундаментальным вопросом является то, приведёт 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, — который оказался поразительно точным на протяжении нескольких десятилетий. Аналогичным образом, для многих энергетических технологий принято прогнозировать снижение затрат при каждом удвоении совокупного объёма внедрения, известном как «скорость обучения». Однако прогресс в полупроводниковой отрасли замедлился, и с 2010 года закон Мура перестал быть хорошим ориентиром для технологического развития. Эксперты сомневаются, что в ближайшие десятилетия можно будет поддерживать темпы развития такой технологии, как аккумуляторы для электромобилей, которые, по прогнозам МЭА, составляют 15%. Недавняя инфляция цен на технологии, отчасти вызванная несоответствием между спросом и предложением на критически важные материалы, напоминает о том, что такие факторы, как производственные мощности и торговля, также могут препятствовать инновационному процессу. Некоторые аналитики считают, что ИИ поможет сохранить нынешние темпы обучения, несмотря на эти опасения. Другие считают, что он может стать более разрушительной силой, которая сделает сегодняшние темпы очень консервативными. Чтобы разобраться в этом вопросе, необходимо подробнее рассмотреть конкретные способы, с помощью которых ИИ может ускорить внедрение инноваций. Поиск более эффективного материала для выполнения задачи или материала, не содержащего определённых нежелательных компонентов, обычно требует человеческой изобретательности и знаний о том, как ведут себя различные соединения. Но количество возможных вариантов зачастую огромно. Методы искусственного интеллекта уже отлично справляются с решением задач, оптимизируя хорошо изученные взаимосвязи в больших и хорошо структурированных наборах данных. В июле 2024 года исследователи из правительственной лаборатории США и Microsoft опубликовали результаты исследования, в ходе которого с помощью ИИ были оценены 32,5 миллиона возможных новых твёрдотельных электролитов для аккумуляторов на основе лития, и были найдены 23 новых электролита с нужными характеристиками. Шведские учёные недавно проанализировали 45 миллионов потенциальных новых молекул катодов для аккумуляторов и нашли почти 4600 многообещающих кандидатов. Другие команды добились аналогичных результатов, а одна из них довела свои открытия до синтеза и тестирования. Примечательно, что такие методы всё чаще привлекают финансирование: Anionics, стартап в области искусственного интеллекта, недавно заключил партнёрское соглашение с дочерней компанией Porsche, занимающейся производством аккумуляторов, а Mitra Chem привлекла 80 миллионов долларов США, пообещав сократить время от лаборатории до производства более чем на 90%. Недавние прорывы были связаны не только с батарейками. Исследователи, использующие инструменты искусственного интеллекта, также обнаружили, что они могут разрабатывать ферменты для синтеза биотоплива, прогнозировать получение высокопродуктивного биотопливного сырья, определять промышленные катализаторы для электролизеров, производящих водород, и генерировать материалы для ). И поскольку искусственный интеллект становится все более неотъемлемой частью исследовательского процесса в области энергетических технологий, новаторы также получат выгоду от разработок в смежных областях, включая усовершенствованную робототехнику и автоматизацию. Недавнее исследование влияния использования инструментов ИИ в промышленных исследованиях показало, что за два года количество патентов, выданных компанией, увеличилось на 39%. Тем не менее, прежде чем методы ИИ смогут полностью раскрыть свой инновационный потенциал, необходимо решить серьёзные проблемы. Одной из ключевых проблем является доступность данных. Наборы данных, используемые сегодня, содержат неполную информацию о возможных материалах и представляют собой ограниченное подмножество молекул или реакций. В настоящее время ведётся разработка масштабных, структурированных, специализированных наборов данных для обучения моделей ИИ, таких как «Проект материалов» и Кембриджская структурная база данных, но для решения реальных научных задач их необходимо расширить. Хотя создание «синтетических данных» для обучения моделей может восполнить некоторые пробелы в данных, ничто не заменит экспериментальные данные, и самый быстрый путь к большим и надёжным экспериментальным наборам данных — это сотрудничество между лабораториями, в том числе на международном уровне. Платформа Mission Innovation M4E — это пример международной инициативы, которая может продемонстрировать, как правительства могут поддерживать общие протоколы и совместно обрабатывать данные. Ещё одна задача — найти способы, с помощью которых ИИ сможет оптимизировать результаты не только для узкого набора характеристик, но и с учётом факторов, необходимых для интеграции материала в функциональный продукт. Сегодня по-прежнему требуется тщательная проверка и тестирование человеком — например, для оценки производительности при различных температурах или взаимодействия со всеми остальными компонентами устройства. Кроме того, разработка рецепта для производства материалов, разработанных ИИ, может потребовать значительных дополнительных усилий. Выполнение ИИ этих более сложных задач представляется возможным, но это приводит к высоким вычислительным требованиям и затратам, которые необходимо оценить. Поиск нового материала для использования в энергетике с помощью компьютерного метода — это менее половины задачи по внедрению инновации. Создание прототипа, за которым следует коммерциализация, массовое производство и широкое распространение на рынке, может занять годы или даже десятилетия. Однако другие разрабатываемые инструменты, связанные с ИИ, могут сократить эти сроки. Одна из них известна как автономная лаборатория. Лаборатория A-Lab в Национальной лаборатории имени Лоуренса в Беркли при Министерстве энергетики США содержит ряд роботов, которые с февраля 2024 года могут синтезировать химические вещества для хранения энергии, предсказанные компьютерными расчётами, что значительно повышает производительность. Эта автономная лаборатория может обрабатывать в 100 раз больше образцов в день, чем лаборатория, управляемая человеком. Для крупных и сложных систем компьютерная помощь, известная как «цифровой двойник», может значительно снизить затраты и риски, связанные с проектированием и масштабированием. Цифровые двойники, которые представляют собой виртуальные модели всех элементов конкретного объекта или процесса, уже более десяти лет используются для оптимизации производства, но теперь они работают на основе искусственного интеллекта и применяются в инновациях. В таких отраслях, как ядерный синтез, они помогают проектировать и тестировать оборудование. Есть надежда, что затраты на сложное инженерное проектирование будут резко сокращены, особенно для дорогих, первых в своем роде проектов. Это могло бы стать значительным подспорьем для новаторов в области технологий промышленной декарбонизации, геотермальной энергетики. процессы производства синтетического топлива и улавливания и хранения CO2. Однако на этом этапе инновационного процесса также возникают трудности с применением ИИ. В настоящее время эти инструменты не являются общедоступными для новаторов на этапе масштабирования. Кроме того, нехватка квалифицированных кадров может стать проблемой в быстро развивающейся сфере, а для поддержки и внедрения новых подходов к тестированию и коммерциализации продуктов и услуг потребуются гибкие нормативно-правовые и стандартизированные системы. ИИ обладает явным потенциалом для улучшения и ускорения внедрения инноваций для решения широкого спектра проблем, связанных с энергетическими технологиями. Уже есть впечатляющие примеры этого, но весь потенциал ИИ в этой области не будет реализован, если правительства не сосредоточатся на некоторых ключевых возникающих проблемах. Чтобы научные открытия приводили к наиболее значимым результатам, необходимо инвестировать в базы данных с возможностью поиска, которые соответствуют общим протоколам и являются общедоступными, в том числе за счёт объединения лабораторий из разных стран. Также потребуются инвестиции в навыки и оборудование, и политики могут направлять усилия на удовлетворение наиболее насущных технологических потребностей. Чтобы поддержать коммерциализацию, политики также должны подумать о том, как сделать новые цифровые инструменты широкодоступными для новаторов и помочь инвесторам адаптироваться к снижению рисков проектов. В то же время вычислительные и энергетические потребности ИИ для выполнения 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 повысит экономическую конкурентоспособность. Как только новые продукты будут готовы к выходу на рынок, анализ с помощью ИИ-данных, полученных в результате использования новых продуктов, 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 пользователей. Все страны, их новаторы, инвесторы и компании получат выгоду, если их усилия будут прогнозируемыми, целенаправленными и совместными. По материалам МЭА Искусственный интеллект,