KI-gestützte Batterielebensdauervorhersage beschleunigt Validierung neuer Designs

Das an der University of Michigan entwickelte KI-Tool nutzt Tests früherer Batterien, um die Performance neuer Designs vorherzusagen. (Bild: Xin Zou, University of Wisconsin-Madison)

Tech Briefs: Was motivierte Sie, dieses Projekt zu starten?

Ziyou Song: Ich habe sowohl in der Akademie als auch in der Industrie gearbeitet, daher kenne ich den Schmerzpunkt bei Batterietests und -validierung. Wenn wir ein neues Batteriedesign haben, auch wenn es nicht sehr unterschiedlich vom vorherigen ist, führen wir immer alle Labortests unter ähnlichen Bedingungen durch. Das kostet mindestens sechs Monate und verbraucht viel Energie. Also, wenn wir ein neues Design haben, das nicht zu verschieden ist, fragten wir uns, ob wir diese vorherigen Datensätze nutzen könnten. Könnten wir das Wissen und die Datenmuster vom vorherigen Design nutzen, um die Lebensdauer unseres neuen Designs vorherzusagen? Das würde viel Zeit und Energie sparen.

Wir betrachten dieses Problem aus der Perspektive von KI für die Wissenschaft, ein aufstrebendes Feld – wissenschaftliche Vorhersage ist eines der wichtigsten Probleme. Wir fokussieren speziell auf die Kosteneffektivität der Machine-Learning-Methode. Wie können wir die geringstmögliche Datenmenge nutzen, um bessere oder ähnliche Vorhersageleistung zu erreichen.

Tech Briefs: Wie gehen Sie damit um, dass das Batteriedesign nicht dasselbe wie das vorherige ist?

Song: Für diese Frage müssen wir in unser spezifisches Framework eintauchen. Wir nutzten ein Konzept aus einer Studie vor mehreren Jahrzehnten, um nachzuahmen, wie Menschen die Welt wahrnehmen und Wissen erlangen. Zum Beispiel lernen wir viele Dinge grob durch Beobachtung, genau durch Kurse oder durch Fragen an andere. Unser Framework nutzt einen Lehransatz namens Discovery Learning. Wenn wir ein neues Batteriedesign haben, wollen wir es auf existierende Batteriezellen abbilden, um zu sehen, wie wir ihre Datensätze für unser neues Design nutzen können, damit wir eine Lebensdauervorhersage ohne langwierige Tests treffen können.

Wir testen das neue Design, um seine initialen Parameter zu beobachten und wie sie sich während der ersten paar Dutzend Zyklen entwickeln. Dann versuchen wir, dieses Muster auf vorherige Batterien abzubilden, weil wir für diese komplette Datensätze haben. Wenn wir ähnliche Muster sehen, wissen wir, dass unser neues Design dem früheren ähnelt. Wir können dann dieses Wissen, die Datenmuster, nutzen, um die Lebensdauer unserer neuen Batterie vorherzusagen.

Tech Briefs: Sie sagen, Sie verbrauchen signifikante Energie beim Testen der Batterien. Liegt das daran, dass Sie unter Last testen?

Song: Ja, genau. Wenn wir unsere Batteriezellen testen, speziell für Lab-Cycle-Tests, müssen wir viele, viele Male laden und entladen, zum Beispiel 1.000 Zyklen, 2.000 Zyklen, was viel Energie verbraucht. Wenn man nur 50 Zyklen machen kann, spart das enorm.

Wir validieren nicht nur über weniger Zyklen, sondern auch weniger Zellen. Früher musste man, um verschiedene Betriebsbedingungen abzudecken, vielleicht 100 Zellen, 100 Kanäle unter verschiedenen Bedingungen testen. Jetzt müssen wir nur einige abdecken – zum Beispiel 10 Zellen, 10 Betriebsbedingungen, 50 Zyklen. Wir sparen also Energie sowohl durch kürzeres Cycling als auch durch Testen weniger Batteriezellen.

Tech Briefs: Welche Bedingungen testen Sie?

Song: Temperatur ist eine sehr wichtige Metrik. Eine andere ist, wie wir unsere Batterien nutzen. Zum Beispiel, wenn Sie ein Handy haben und ich eins, nutzen wir sie wahrscheinlich sehr unterschiedlich. Ich will mein Handy immer voll laden, also degradiert mein Handy-Akku sehr schnell. Aber wenn Sie Ihr Handy nur im mittleren State-of-Charge (SOC)-Bereich nutzen, hält es wahrscheinlich länger. Da verschiedene Menschen Batterien unterschiedlich nutzen, wollen wir so viele Bedingungen wie möglich abdecken.

Tech Briefs: Ich las, dass Ihr System drei Komponenten hat: Learner, Interpreter und Oracle. Würden Sie diese beschreiben?

Song: Das sind die drei Komponenten unseres Discovery Learning. Der erste ist der Learner – der die Frage stellt, der entscheidet, welche Zelldesigns und Prototypen getestet werden. Der Learner übergibt den Befehl an den Interpreter, der die frühen Cycling-Testdaten nutzt, um einen Feature-Raum aufzubauen, der aus physikalischen Parametern besteht – also Features, die dann von einem Batterieexperten interpretiert werden können. Wir nutzen also nicht nur bedeutungslose statistische Features; wir nutzen Features, die von einem Batterieingenieur oder -wissenschaftler interpretiert werden können. Dann liefert der Interpreter diese Features an den Oracle. Der Oracle macht sogenanntes Zero-Shot-Learning, was bedeutet, er sagt die Lebensdauer neuer Batteriedesigns ohne zusätzliche Experimente voraus. Der Oracle gibt seine Vorhersageergebnisse an den Learner zurück, der diesen vertraut und daraus lernt. Nach mehreren Runs wird der Learner befähigt, neue Batteriedesigns selbst vorherzusagen. Und schließlich treffen Learner und Oracle gemeinsam Vorhersagen für alle Batteriesamples.

Tech Briefs: Professor Song, Sie sagten, Sie wählen Batterien zum Lernen aus, die ähnliche Muster hatten wie das, was Sie jetzt tun. Wie wählen Sie aus, welche Batterien als Modelle dienen?

Song: Primär vom Interpreter. Zum Beispiel, wenn wir den sich entwickelnden Parametersatz des neuen Designs haben, können wir ihn auf ein vorheriges Batteriedesign abbilden, um zu sehen, wie die Muster vergleichen. Und wir nutzen auch den Oracle, weil er mit vorherigen Designs trainiert wurde. Auch der Interpreter kann uns über die für uns interessanten Parameter informieren. Zum Beispiel, wenn wir denken, dass 11 oder 14 Parameter sehr wichtig für die Batterielebensdauer sind, nutzen wir den Interpreter, um diese Parameter aus unseren initialen Testdaten zu erhalten.

Dann nutzen wir den Oracle, um diese Parametersätze als Inputs zu nehmen und die Lebensdauer unseres Designs vorherzusagen. Aber natürlich kann der Oracle im ersten Durchgang keine präzisen Ergebnisse liefern, also müssen wir iterieren, um die Unsicherheit zu reduzieren und im Laufe der Zeit bessere Ergebnisse zu erhalten.

Da wir wissen, dass das nicht allzu genau ist, machen wir einen zweiten Run vom Learner. Ich bekomme die Ergebnisse und Sie sagen mir die Lebensdauer der drei Batteriedesigns, die ich ausgewählt habe. Aber ich bin immer noch unsicher über bestimmte Designs oder Testbedingungen. Also könnte ich zwei weitere Zellen wählen und den Vorgang erneut durchlaufen – so lernen Menschen. Wir iterieren für verschiedene Bedingungen.

Tech Briefs: Wenn Sie Ihre Vorhersage haben, wie beweisen Sie, dass Sie recht haben?

Song: In der ersten Runde für neue Batterien wählen wir repräsentative Testbedingungen intuitiv. Zum Beispiel kümmern wir uns um Tieftemperatur-Performance, Hochtemperatur-Performance, mittlere Temperatur, hohe Entladerate, niedrige Entladerate. In der zweiten Runde haben wir quantitative Daten, um weitere Zellen auszuwählen. Wir nutzen dann Gaussian Process Regression, um uns die Unsicherheit der Vorhersagen zu geben. Dann wählen wir die unsichersten Vorhersagen und führen diese Bedingungen erneut durch, um die ursprünglichen Vorhersagen zu bestätigen.

Das ist gängige Praxis im Feld, also vertrauen die meisten darauf. Allerdings bekamen wir einen Kommentar bei der Veröffentlichung unseres Papers, der fragte, wie wir bestätigen können, dass unsere Uncertainty Quantification korrekt ist? Es gibt verschiedene Methoden, ehrlich gesagt, und obwohl wir nicht alle ausprobiert haben, planen wir das für die Zukunft.

Tech Briefs: Angenommen, ein Batteriehersteller ist an Ihren Ergebnissen interessiert. Würde er Ihnen genug vertrauen, um basierend auf Ihrer Vorhersage Batterien auf einer Fertigungslinie zu bauen?

Song: Gute Frage. Ich denke schon, zumindest für eine Batteriefirma, mit der wir seit fast vier Jahren kollaborieren. In unserer Kollaboration stellen sie alle Daten bereit. Wir diskutieren die Ergebnisse mit ihren Ingenieuren, und sie finden die Ergebnisse vertrauenswürdig. Also, wenn sie ein neues Batteriedesign haben, besonders eines, das nicht sehr verschieden von einem vorherigen ist, kann unser Framework funktionieren.

Aber ich möchte auch die Limitationen unserer Studie hervorheben, was sehr wichtig ist. Zum Beispiel können wir die Limitationen nicht positiv spezifizieren, wenn das neue Batteriedesign sehr verschieden von vorherigen ist. Das Framework ist keine Magie – wenn das Domänenwissen, das Sie jetzt haben, sehr verschieden von einem neuen Design ist, wie können Sie eine Vorhersage treffen?

Wir haben keine Methodik erhalten, diese Fragen zu quantifizieren – es ist außerhalb des Scope dieser Arbeit. Aber ich denke, es lohnt sich, weiterzugehen. Zum Beispiel deckt unsere Studie nur traditionelle Lithium-Batterien ab und nicht einige der fortgeschritteneren Technologien wie Festkörper- oder Lithium-Metall-Batterien.

Tech Briefs: Also decken Sie nur Standard-Lithium-Ionen-Batterien ab?

Song: Genau. Derzeit nutzen die meisten Produkte Standard-Lithium-Ionen-Batterien. Aber sogar für gängige Lithium-Batteriezellen, wenn Sie neue Designs haben, macht ein EV-Unternehmen oder Batterieunternehmen Ein-Jahres-Tests für jedes Design. Also ist unser Tool jetzt sehr nützlich. Aber die Limitation ist, was zu tun ist, wenn wir sehr verschiedene Designs haben.

Tech Briefs: Sie erwähnten auch physikbasierte Analyse. Was bedeutet das?

Song: Es bedeutet, wir nutzen ein physikbasiertes Modell – ein sogenanntes First-Principle-Modell. Zum Beispiel sehr grundlegende physikalische Gleichungen wie die Ficksche Diffusionsgleichung. Damit können wir Features generieren, die physikalisch interpretierbar sind. In vielen früheren Papers nutzten sie nur Features, abgeleitet aus Spannungs- und Strommessungen, aber sie kennen die spezifische physikalische Bedeutung dieser Features nicht.

Indem wir physikalische Modellierung zusammen mit Parameterkalibrierung einbeziehen, basierend auf dem Parameter, der einem bestimmten Trend folgt, kann ich Ihnen entweder sagen, warum Ihre Batteriezelle langlebig genug ist, oder dass Sie einen bestimmten Degradationsmechanismus haben könnten. Das macht die Vorhersage vertrauenswürdiger und erklärbarer.

Wenn man nur Machine Learning nutzt und nicht auf Physik achtet, könnte der Datensatz, auf den man sein ML-Modell trainiert, eine Vorhersage liefern, die für 95 Prozent der Fälle funktioniert. Aber das heißt, obwohl es vielleicht für Sie funktioniert, funktioniert es vielleicht nicht für mich. Und wenn es für mich nicht funktioniert, könnte es mir eine absurde Vorhersage geben, inkonsistent mit der Physik, und das ist in der Praxis nicht tolerierbar. Bezüglich Genauigkeit ist wahrscheinlich ein Prozent Fehler okay, vielleicht sogar zwei Prozent. Ich will nur zuverlässige Schätzungen geben, keine absurden, verrückten Schätzungen.

Tech Briefs: Wie geben Sie die physikalischen Parameter in Ihr System ein?

Song: Wir haben ein Modell, das die Systemantwort anzeigt. Ich weiß, dass die Parameter eine Beziehung zur Antwort haben. Also nutzen wir unseren Interpreter, um eine statistische Verteilung dieser Parameter zu erhalten, weil es sehr schwer ist, so viele Parameter präzise zu kalibrieren. Für ein existierendes gutes Design und Datensatz kalibrieren Sie einfach die Parameter, die Verteilung, und versuchen, Ihre Parameterverteilung und Trends auf die Lebensdauer Ihrer Batteriezellen abzubilden. Weil für das existierende Batteriedesign, da Sie die kompletten Lebenszyklus-Testdaten haben, können Sie die tatsächlichen Beziehungen sehen. Dann versuchen wir, diese Art von Beziehung für unsere neuen Batteriedesigns zu nutzen.

Tech Briefs: Was sind Ihre nächsten Schritte?

Song: Mein Plan bezüglich dieser Arbeit ist, die Limitationen des Frameworks herauszufinden. Wir können nur limitierte Batteriedesigns testen, nicht jedes einzelne. Jetzt reden wir über Festkörperbatterien, Lithium-Metall, Lithium-Schwefel-Batterien und andere, und sie haben alle unterschiedliche Chemien. Also wollen wir sehen, ob dieses Framework gut für neue Batteriearten funktioniert. Wenn nicht, wollen wir erforschen, was wir tun müssen. Ich denke, das Framework wird immer noch gut funktionieren, aber wir müssen Änderungen vornehmen, weil unterschiedliche Batteriechemien sehr unterschiedliche interne Physik haben werden.

Für Batterie-Leute ist die wichtigste Komponente der Interpreter. Wir haben viel zu tun in diesem Feld. Zum Beispiel können wir unser physikbasiertes Modeling verbessern, um seine Performance für das Modellieren von Festkörperbatterien zu steigern.