ИИ-прогнозирование срока службы батарей ускоряет валидацию новых дизайнов

ИИ-инструмент, созданный в Университете Мичигана, опирается на тесты более ранних батарей для предсказания производительности новых дизайнов. (Изображение: Синь Цзоу, Университет Висконсин-Мэдисон)

Tech Briefs: Что мотивировало вас начать этот проект?

Цийоу Сонг: Я работал и в академии, и в индустрии, поэтому знаю болевую точку относительно тестирования и валидации батарей. Когда у нас есть новый дизайн батареи, даже если он не так сильно отличается от предыдущего, мы всегда проводим все лабораторные тесты под похожими условиями. Это стоит минимум шесть месяцев и потребляет много энергии. Так что если у нас есть новый дизайн, который не слишком отличается, мы задавались вопросом, можем ли мы использовать те предыдущие наборы данных. Могли бы мы использовать знания и паттерны данных от предыдущего дизайна для предсказания срока службы нашего нового дизайна? Это сэкономило бы много времени и энергии.

Мы смотрим на эту проблему с перспективы ИИ для науки, что является растущей областью — научное предсказание — одна из самых важных проблем. Мы конкретно фокусируемся на стоимостной эффективности метода машинного обучения. Как мы можем использовать наименьшее возможное количество данных для достижения лучшей или схожей производительности предсказания.

Tech Briefs: Как вы справляетесь с тем, что дизайн батареи не тот же, что и предыдущий?

Сонг: Для этого вопроса нам нужно погрузиться в нашу конкретную структуру. Мы использовали концепцию из исследования нескольких десятилетий назад, чтобы имитировать то, как люди воспринимают мир и получают знания. Например, мы учим многое примерно через наблюдения, точно через занятия или спрашивая других. Наша структура использует учебный подход, называемый discovery learning (обучение через открытие). Когда у нас есть новый дизайн батареи, мы хотим отобразить его на существующие батарейные ячейки, чтобы увидеть, как мы можем использовать их наборы данных для нашего нового дизайна, так что мы можем сделать предсказание срока службы без длительного тестирования.

Мы тестируем новый дизайн для наблюдения его начальных параметров и того, как они эволюционируют в течение первых нескольких десятков циклов. Затем мы пытаемся отобразить этот паттерн на предыдущие батареи, потому что у нас есть полные наборы данных для них. Если мы видим похожие паттерны, мы знаем, что наш новый дизайн похож на более ранний. Мы можем тогда использовать то знание, паттерны данных, чтобы предсказать срок службы нашей новой батареи.

Tech Briefs: Вы говорите, что используете значительную энергию при тестировании батарей. Это потому, что вы тестируете батареи под нагрузкой?

Сонг: Да, именно. Когда мы тестируем наши батарейные ячейки, специально для лабораторного циклического тестирования, нам нужно заряжать и разряжать много-много раз, например, 1000 циклов, 2000 циклов, что потребляет много энергии. Так что если вы можете сделать только 50 циклов, это может сэкономить много.

Мы не только валидируем за меньшие циклы, но и валидируем меньше ячеек. Например, ранее, потому что вы хотели покрыть разные операционные условия, вам пришлось бы использовать, может быть, 100 ячеек, 100 каналов для тестирования под разными условиями. Но сейчас нам нужно покрыть только некоторые из них — например, 10 ячеек, 10 операционных условий, 50 циклов. Так что мы экономим энергию и от более коротких времен циклирования, и от тестирования меньшего количества батарейных ячеек.

Tech Briefs: Каковы некоторые из условий, на которые вы тестируете?

Сонг: Температура — очень важная метрика. Другая — как мы используем наши батареи. Например, если у вас есть мобильный телефон и у меня есть мобильный телефон, мы, вероятно, используем их очень по-разному. Я хочу полностью заряжать свой телефон все время, поэтому батарея моего телефона деградирует очень быстро. Но если вы просто используете свой телефон в середине диапазона состояния заряда (SOC), он, вероятно, прослужит дольше. Поскольку разные люди используют батарею по-разному, мы хотим покрыть как можно больше условий.

Tech Briefs: Я читал, что в вашей системе три компонента: learner (ученик), interpreter (интерпретатор) и oracle (оракул). Опишите их, пожалуйста?

Сонг: Это три компонента нашего discovery learning. Первый — learner — тот, кто задает вопрос, решает, какие дизайны ячеек и прототипы тестировать. Learner передаст команду интерпретатору, который использует данные раннего циклического тестирования для построения пространства признаков, состоящего из физических параметров, то есть фичей, которые затем могут быть интерпретированы экспертом по батареям. Так что мы не просто используем какие-то бессмысленные статистические фичи; мы используем фичи, которые могут быть интерпретированы инженером или ученым по батареям. Затем интерпретатор предоставит эти фичи оракулу. Оракул сделает так называемое zero-shot learning (обучение с нулевыми примерами), что просто означает, что он предсказывает срок службы новых дизайнов батарей без дополнительных экспериментов. Оракул затем передаст свои результаты предсказания обратно learnerу, который будет доверять этим результатам и учиться на них. После нескольких запусков learner будет оснащен для предсказания новых дизайнов батарей самостоятельно. И наконец, learner и оракул вместе сделают предсказания для всех образцов батарей.

Tech Briefs: Профессор Сонг, вы сказали, что выбираете батареи для обучения, у которых были похожие паттерны на то, что вы делаете сейчас. Как вы выбираете, какие батареи использовать как модели?

Сонг: Это в основном от интерпретатора. Например, когда у нас есть эволюционирующий набор параметров нового дизайна, мы можем отобразить это на предыдущий дизайн батареи, чтобы увидеть, как паттерны сравниваются. И мы также используем оракул, потому что он обучен на предыдущих дизайнах. Также интерпретатор может сказать нам о параметрах, интересующих нас. Например, если мы думаем, что есть 11 или 14 параметров, очень важных для срока службы батареи, мы используем интерпретатор для получения этих параметров из наших данных начального тестирования.

Затем мы используем оракул для принятия этих наборов параметров как входов и предсказания срока службы нашего дизайна. Но, конечно, оракул не может дать нам точные результаты в первом раунде, поэтому мы должны итерировать, чтобы уменьшить неопределенность и получить лучшие результаты со временем.

Поскольку мы знаем, что это не так точно, мы делаем второй запуск от learnerа. Я получаю результаты и вы говорите мне срок службы трех дизайнов батарей, которые я выбрал. Но я все еще не уверен в определенных дизайнах или тестовых условиях. Так что я могу выбрать еще две ячейки и повторить процедуру еще раз — так люди учатся. Мы итерируем для разных условий.

Tech Briefs: Как только вы приходите к своему предсказанию, как вы доказываете, что вы правы?

Сонг: Так что в первом раунде для новых батарей мы выбираем репрезентативные тестовые условия интуитивно. Например, мы заботимся о производительности при низкой температуре, высокой температуре, средней температуре, высокой скорости разряда и низкой скорости разряда. Во втором раунде у нас есть некоторые количественные данные, чтобы помочь нам выбрать дальнейшие ячейки. Мы затем используем гауссовскую регрессию процесса, чтобы дать нам неопределенность предсказаний. Затем мы выбираем самые неопределенные предсказания и запускаем эти условия снова для подтверждения исходных предсказаний.

Это распространенная практика в области, поэтому большинство людей доверяют ей. Однако мы получили комментарий, когда публиковали нашу статью, спрашивающий, как мы можем подтвердить, что наша квантификация неопределенности правильна? Есть разные методы, честно говоря, и хотя мы не пробовали все, мы планируем сделать это в будущем.

Tech Briefs: Предположим, производитель батарей заинтересован в ваших результатах. Доверяет ли он вам достаточно, чтобы начать производство батарей на сборочной линии на основе вашего предсказания?

Сонг: Это хороший вопрос. Я думаю, да, по крайней мере для одной батарейной компании, с которой мы сотрудничаем почти четыре года. И в нашем сотрудничестве они предоставляют все данные нам. Мы обсуждали результаты с их инженерами, и они считают результаты надежными. Так что если у них есть новый дизайн батареи, особенно для того, который не сильно отличается от предыдущего дизайна, наша структура может работать.

Но я также хочу указать на ограничения нашего исследования, что очень важно. Например, мы не можем позитивно специфицировать ограничения, если новый дизайн батареи очень отличается от предыдущих. Структура не волшебство — если доменное знание, которое у вас сейчас, очень отличается от нового дизайна, как вы можете сделать предсказание?

Мы не получили методологию для квантификации этих вопросов — это выходит за рамки этой работы. Но я думаю, это стоит исследовать дальше. Например, наше исследование охватывает только традиционные литийные батареи и не включает некоторые из более передовых технологий вроде твердотельных или литий-металлических.

Tech Briefs: Так что вы покрываете только стандартные литий-ионные батареи?

Сонг: Именно. В настоящее время большинство продуктов используют стандартные литий-ионные батареи. Но даже для обычно используемых литийных батарейных ячеек, когда у вас есть новые дизайны, компания по электромобилям или батарейная компания будет делать годовое тестирование для каждого дизайна. Так что наш инструмент очень полезен прямо сейчас. Но ограничение — что делать, когда у нас очень разные дизайны.

Tech Briefs: Вы также упоминали физико-базированный анализ. Что это означает?

Сонг: Это значит, что мы используем физико-базированную модель — так называемую модель первых принципов. Например, некоторые очень базовые физические уравнения, как уравнение диффузии Фика. Используя эти, мы можем генерировать фичи, которые физически интерпретируемы. Например, во многих предыдущих статьях они просто используют фичи, полученные из измерений напряжения и тока, но они не знают конкретного физического смысла тех фичей.

Включая физическое моделирование вместе с калибровкой параметров, основанной на параметре, следующем определенному тренду, я могу сказать вам либо почему ваша батарейная ячейка достаточно долговечна, либо что у вас может быть какой-то тип механизма деградации. Это сделает предсказание более надежным и более объяснимым.

Если вы просто используете машинное обучение и не обращаете внимание на физику, набор данных, на котором вы обучаете вашу модель машинного обучения, может дать вам предсказание, которое работает для 95 процентов случаев. Но это значит, что хотя, может быть, это работает для вас, это может не работать для меня. И если это не работает для меня, это может дать мне нелепого предсказание, несовместимого с физикой, и это недопустимо в практике. Что касается точности, вероятно, ошибка в один процент нормально, может быть даже два процента. Я просто хочу дать вам надежные оценки, а не нелепые, безумные оценки.

Tech Briefs: Как вы вводите физические параметры в свою систему?

Сонг: У нас есть модель, указывающая системный отклик. Я знаю, что параметры имеют отношение к отклику. Так что мы используем наш интерпретатор для получения статистического распределения тех параметров, потому что очень сложно точно откалибровать такое большое количество параметров. Для существующего хорошего дизайна и набора данных вы просто делаете калибровку параметров, распределение, и пытаетесь отобразить ваше распределение параметров и тренды на срок службы ваших батарейных ячеек. Потому что для существующего дизайна батареи, поскольку у вас есть данные тестирования всего жизненного цикла, вы можете видеть фактические отношения. Затем мы пытаемся использовать этот вид отношения для наших новых дизайнов батарей.

Tech Briefs: Каковы ваши следующие шаги?

Сонг: Мой план касательно этой работы — выяснить ограничения структуры. Мы можем тестировать только ограниченные дизайны батарей, не каждый отдельный. Прямо сейчас мы говорим о твердотельных батареях, литий-металлических, литий-серных батареях и других, и у всех них разные химии. Так что мы хотим увидеть, может ли эта структура хорошо работать для новых видов батарей. Если нет, мы хотим исследовать, что нам нужно сделать. Я думаю, структура все равно будет хорошо работать, но нам придется сделать изменения, потому что разные химии батарей будут иметь очень разную внутреннюю физику.

Для людей батарей, самый важный компонент — интерпретатор. У нас есть много дел сделать в этой области. Например, мы можем улучшить наше физико-базированное моделирование для повышения его производительности для моделирования твердотельных батарей.