AI-gestuurde batterij levensduur voorspelling verbetert nieuwe ontwerpvalidatie

De AI tool gebouwd aan de University of Michigan trekt eerdere batterijtests aan om de prestaties van nieuwe ontwerpen te voorspellen. (Afbeelding: Xin Zou, University of Wisconsin-Madison)

Tech Briefs: Wat motiveerde u om dit project te starten?

Ziyou Song: Ik heb gewerkt in zowel academie als industrie, dus ik weet dat er een pijnpunt is rond batterijtesting en validatie. Wanneer we een nieuw batterijontwerp hebben, zelfs als het niet zo heel anders is dan de vorige, doen we altijd alle labtests onder vergelijkbare condities. Dat kost ten minste zes maanden en verbruikt veel energie. Dus, als we een nieuw ontwerp hebben dat niet te anders is, vroeg ons af of we die eerdere datasets konden gebruiken. Kunnen we de kennis en datapatronen van het vorige ontwerp benutten om de levensduur van ons nieuwe ontwerp te voorspellen? Dat zou veel tijd en energie besparen.

We kijken naar dit probleem vanuit een perspectief van AI voor wetenschap, wat een opkomend veld is - wetenschappelijke voorspelling is een van de belangrijkste problemen. We richten ons specifiek op de kosteneffectiviteit van de machine learning methode. Hoe kunnen we de minst mogelijke data gebruiken om betere of vergelijkbare voorspellingsprestaties te bereiken.

Tech Briefs: Hoe ga je om met het feit dat het batterijontwerp niet hetzelfde is als de vorige?

Song: Voor deze vraag moeten we in ons specifieke framework duiken. We hebben een concept uit een studie van enkele decennia geleden benut om na te bootsen hoe mensen de wereld waarnemen en kennis verwerven. Bijvoorbeeld, we leren veel dingen ruwweg door observatie, nauwkeurig door lessen te volgen, of door anderen te vragen. Ons framework benut een onderwijsbenadering genaamd discovery learning. Wanneer we een nieuw batterijontwerp hebben, willen we het afbeelden op bestaande batterijcellen om te zien hoe we hun datasets voor ons nieuwe ontwerp kunnen gebruiken, zodat we een levensduurvoorspelling kunnen maken zonder uitgebreide testing.

We testen het nieuwe ontwerp om de initiële parameters te observeren en hoe ze evolueren tijdens de eerste paar tientallen cycli. Dan proberen we dit patroon af te beelden op eerdere batterijen omdat we de complete datasets voor hen hebben. Als we vergelijkbare patronen zien, weten we dat ons nieuwe ontwerp vergelijkbaar is met de eerdere. We kunnen dan die kennis, de datapatronen, benutten om de levensduur van onze nieuwe batterij te voorspellen.

Tech Briefs: U zegt dat u significante energie gebruikt bij het testen van batterijen. Is dat omdat u batterijen onder belasting test?

Song: Ja, precies. Wanneer we onze batterijcellen testen, specifiek voor lab cyclustesten, moeten we veel, veel keer laden en ontladen, bijvoorbeeld 1.000 cycli, 2.000 cycli, wat veel energie verbruikt. Dus, als je slechts 50 cycli kunt doen, bespaar je veel.

We valideren niet alleen over minder cycli maar ook minder cellen. Bijvoorbeeld, vroeger, omdat je verschillende operatiecondities wilde dekken, moest je misschien 100 cellen, 100 kanalen gebruiken om onder verschillende condities te testen. Maar nu hoeven we alleen een deel te dekken - bijvoorbeeld 10 cellen, 10 operatiecondities, 50 cycli. Dus besparen we energie zowel door kortere cyclustijden als door minder batterijcellen te testen.

Tech Briefs: Wat zijn enkele van de condities waar u voor test?

Song: Temperatuur is een heel belangrijke metric. Een ander is hoe we onze batterijen gebruiken. Bijvoorbeeld, als je een mobiele telefoon hebt en ik een mobiele telefoon heb, gebruiken we ze waarschijnlijk op heel verschillende manieren. Ik wil mijn telefoon altijd volledig opladen, dus mijn batterij degradeert heel snel. Maar als je je telefoon alleen in het midden van de state of charge (SOC) bereik gebruikt, zal het waarschijnlijk langer mee gaan. Omdat verschillende mensen een batterij anders gebruiken, willen we zo veel mogelijk condities dekken.

Tech Briefs: Ik las dat er drie componenten in uw systeem zitten: learner, interpreter, en oracle. Zou u die beschrijven?

Song: Dat zijn de drie componenten van onze discovery learning. De eerste is de learner - degene die de vraag stelt, die besluit welke celontwerpen en prototypes getest worden. De learner geeft de opdracht door aan de interpreter, die de vroege cyclustestdata benut om een feature space te bouwen dat bestaat uit fysieke parameters, d.w.z. features, die dan geïnterpreteerd kunnen worden door een batterijexpert. Dus we gebruiken niet alleen betekenisloze statistische features; we gebruiken features die geïnterpreteerd kunnen worden door een batterijingenieur of wetenschapper. Dan geeft de interpreter deze features aan de oracle. De oracle doet zogenaamde zero-shot learning, wat betekent dat het de levensduur van nieuwe batterijontwerpen voorspelt zonder additionele experimenten. De oracle geeft zijn voorspellingsresultaten terug aan de learner, die deze resultaten vertrouwt en ervan leert. Na een aantal runs zal de learner uitgerust zijn om nieuwe batterijontwerpen zelf te voorspellen. En uiteindelijk zullen de learner en de oracle samen voorspellingen maken voor alle batterijmonsters.

Tech Briefs: Professor Song, u zei dat u batterijen kiest om van te leren die vergelijkbare patronen hadden met wat u nu doet. Hoe kiest u welke batterijen als modellen te gebruiken?

Song: Het is voornamelijk vanuit de interpreter. Bijvoorbeeld, wanneer we de evoluerende parameter set van het nieuwe ontwerp hebben, kunnen we die afbeelden op een vorig batterijontwerp om te zien hoe de patronen vergelijken. En we benutten ook de oracle omdat het getraind is met vorige ontwerpen. Ook kan de interpreter ons vertellen over de parameters die voor ons van belang zijn. Bijvoorbeeld, als we denken dat er 11 of 14 parameters heel belangrijk zijn voor de batterijlevensduur, gebruiken we de interpreter om die parameters uit onze initiële testdata te krijgen.

Dan benutten we de oracle om deze parameter sets als inputs te nemen en de levensduur van ons ontwerp te voorspellen. Maar natuurlijk kan de oracle ons niet precieze resultaten geven in de eerste ronde, dus moeten we itereren om de onzekerheid te verminderen en betere resultaten over tijd te krijgen.

Omdat we weten dat dat niet te nauwkeurig is, doen we een tweede run vanuit de learner. Ik krijg de resultaten en jij vertelt me de levensduur van de drie batterijontwerpen die ik geselecteerd heb. Maar ik ben nog onzeker over bepaalde ontwerpen of testcondities. Dus, ik kies misschien twee extra cellen en herhaal de procedure opnieuw - zo leren mensen. We itereren voor verschillende condities.

Tech Briefs: Eenmaal u uw voorspelling heeft, hoe bewijst u dat u gelijk hebt?

Song: Dus, in de eerste ronde voor nieuwe batterijen, kiezen we de representatieve testcondities intuitief. Bijvoorbeeld, we zorgen ons om lage temperatuur prestaties, hoge temperatuur prestaties, medium temperatuur prestaties, hoge ontlaadsnelheid, en lage ontlaadsnelheid. In de tweede ronde hebben we kwantitatieve data om ons te helpen verdere cellen te kiezen. We gebruiken dan Gaussian process regression om ons de voorspellingsonzekerheid te geven. Dan kiezen we de meest onzekere voorspellingen en voeren die condities opnieuw uit om de oorspronkelijke voorspellingen te bevestigen.

Dit is gangbare praktijk in het veld, dus de meeste mensen vertrouwen erop. Echter, we kregen een opmerking toen we ons papier publiceerden waarin gevraagd werd hoe we kunnen bevestigen dat onze onzekerheidsquantificatie correct is? Er zijn verschillende methoden, eerlijk gezegd, en hoewel we ze niet allemaal geprobeerd hebben, plannen we dat in de toekomst te doen.

Tech Briefs: Stel een batterijfabrikant is geïnteresseerd in uw resultaten. Zal hij u genoeg vertrouwen om batterijen op een productielijn te bouwen gebaseerd op uw voorspelling?

Song: Dat is een goede vraag. Ik denk het wel, tenminste voor één batterijbedrijf waar we bijna vier jaar mee samenwerken. En in onze samenwerking leveren ze alle data aan ons. We hebben de resultaten besproken met hun ingenieurs, en ze vinden de resultaten betrouwbaar. Dus, als ze een nieuw batterijontwerp hebben, vooral voor een dat niet erg anders is dan een vorig ontwerp, kan ons framework werken.

Maar ik wil ook de beperkingen van onze studie benadrukken, wat heel belangrijk is. Bijvoorbeeld, we kunnen de beperkingen niet positief specificeren als het nieuwe batterijontwerp heel anders is dan eerdere. Het framework is geen tover - als de domeinkennis die je nu heel anders is van een nieuw ontwerp, hoe kun je dan een voorspelling maken?

We hebben nog geen methodologie om deze vragen te kwantificeren - het is buiten de scope van dit werk. Maar ik denk dat het de moeite waard is om verder te gaan. Bijvoorbeeld, ons studie dekt alleen traditionele lithium batterijen en omvat niet enkele van de meer geavanceerde technologieën zoals solid-state of lithium-metal.

Tech Briefs: Dus, u dekt alleen standaard lithium-ion batterijen?

Song: Precies. Op dit moment gebruiken de meeste producten standaard lithium-ion batterijen. Maar zelfs voor veelgebruikte lithium batterijcellen, wanneer je nieuwe ontwerpen hebt, zal een EV bedrijf of batterijbedrijf eenjaar testing doen voor elk ontwerp. Dus, ons tool is nu heel nuttig. Maar de beperking is wat te doen wanneer we heel verschillende ontwerpen hebben.

Tech Briefs: U heeft ook physics-based analysis genoemd. Wat betekent dat?

Song: Het betekent dat we gebruikmaken van een physics-based model - een zogenaamd first-principle model. Bijvoorbeeld, sommige heel basis fysieke vergelijkingen zoals de diffusievergelijking van Fick's law. Door deze te gebruiken, kunnen we features genereren die fysiek interpreteerbaar zijn. Bijvoorbeeld, in veel eerdere papers, gebruiken ze alleen features afgeleid van spanning en stroom metingen, maar ze weten niet de specifieke fysieke betekenis van die features.

Door fysieke modellering te incorporeren samen met parameterkalibratie, gebaseerd op de parameter die een bepaalde trend volgt, kan ik je vertellen waarom je batterijcel duurzaam genoeg is, of dat je misschien een soort degradatiemechanisme hebt. Het maakt de voorspelling betrouwbaarder en meer verklarend.

Als je alleen machine learning gebruikt, en je besteedt geen aandacht aan fysica, kan de dataset waar je je machine learning model op traint je een voorspelling geven die voor 95 procent van de gevallen werkt. Maar dat betekent, hoewel het misschien voor je werkt, het misschien niet voor mij werkt. En als het niet voor mij werkt, kan het me een ridiculoze voorspelling geven, inconsistent met de fysica, en dat is niet acceptabel in de praktijk. Wat nauwkeurigheid betreft, is waarschijnlijk een een procent fout prima, misschien zelfs twee procent. Ik wil gewoon betrouwbare schattingen geven, niet ridiculoze, gekke schattingen.

Tech Briefs: Hoe voert u de fysieke parameters in uw systeem in?

Song: We hebben een model dat de systeemrespons aangeeft. Ik weet dat de parameters een relatie hebben met de respons. Dus, we gebruiken onze interpreter om een statistische verdeling van die parameters te krijgen, omdat het heel moeilijk is om zo'n groot aantal parameters precies te kalibreren. Voor een bestaand goed ontwerp en dataset, doe je gewoon de parameterkalibratie, de verdeling, en je probeert je parameterverdeling en trends af te beelden op de levensduur van je batterijcellen. Want voor het bestaande batterijontwerp, aangezien je de hele levenscyclus testdata hebt, kun je de echte relaties zien. Dan proberen we dit soort relatie te benutten voor onze nieuwe batterijontwerpen.

Tech Briefs: Wat zijn uw volgende stappen?

Song: Mijn plan voor dit werk is om de beperkingen van het framework te achterhalen. We kunnen alleen beperkte batterijontwerpen testen, niet elk enkel. Nu praten we over solid state batterijen, lithium metal, lithium zwavel batterijen, en anderen, en ze hebben allemaal verschillende chemieën. Dus, we willen zien of dit framework goed werkt voor nieuwe soorten batterijen. Als niet, willen we verkennen wat we hoeven te doen. Ik denk dat het framework nog steeds goed zal werken, maar we zullen veranderingen moeten maken omdat verschillende batterijchemieën heel verschillende interne fysica zullen hebben.

Voor batterij mensen, is de belangrijkste component de interpreter. We hebben veel te doen in dit veld. Bijvoorbeeld, we kunnen ons physics-based modellering verbeteren om de prestaties te verbeteren voor het modelleren van solid-state batterijen.