KI-gesteuerte Batterielebensdauerprognose verbessert die Validierung neuer Designs

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

Technische Kurzinformationen: Was hat Sie motiviert, dieses Projekt zu starten?

Ziyou-Lied: Da ich sowohl in der Wissenschaft als auch in der Industrie tätig bin, weiß ich, dass das Testen und Validieren von Batterien problematisch ist. Wenn wir ein neues Batteriedesign haben, führen wir alle Labortests immer unter ähnlichen Bedingungen durch, auch wenn es sich nicht allzu sehr vom vorherigen unterscheidet. Das wird mindestens sechs Monate kosten und viel Energie verbrauchen. Wenn wir also ein neues Design haben, das sich nicht allzu sehr unterscheidet, fragten wir uns, ob wir diese vorherigen Datensätze verwenden könnten. Könnten wir das Wissen und die Datenmuster aus dem vorherigen Design nutzen, um die Lebensdauer unseres neuen Designs vorherzusagen? Das würde viel Zeit und Energie sparen.

Wir betrachten dieses Problem aus der Perspektive der KI für die Wissenschaft, einem aufstrebenden Bereich – wissenschaftliche Vorhersagen sind eines der wichtigsten Probleme. Wir konzentrieren uns insbesondere auf die Kosteneffizienz der Methode des maschinellen Lernens. Wie können wir möglichst wenig Daten verwenden, um eine bessere oder ähnliche Vorhersageleistung zu erzielen?

Technische Kurzinformationen: Wie gehen Sie damit um, dass das Batteriedesign nicht mit dem vorherigen übereinstimmt?

Lied: Für diese Frage müssen wir uns mit unserem spezifischen Rahmen befassen. Wir haben ein Konzept aus einer Studie vor mehreren Jahrzehnten genutzt, um nachzuahmen, wie Menschen die Welt wahrnehmen und Wissen erlangen. Beispielsweise lernen wir viele Dinge grob durch unsere Beobachtungen, genau durch den Besuch von Kursen oder indem wir andere fragen. Unser Rahmenwerk nutzt einen Lehransatz namens Discovery Learning. Wenn wir ein neues Batteriedesign haben, möchten wir es vorhandenen Batteriezellen zuordnen, um zu sehen, wie wir deren Datensätze für unser neues Design verwenden können, damit wir ohne längere Tests eine Lebensdauervorhersage treffen können.

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

Technische Kurzinformationen: Sie sagen, dass Sie beim Testen der Batterien viel Energie verbrauchen. Liegt das daran, dass Sie Batterien unter Last testen?

Lied: Ja, genau. Wenn wir unsere Batteriezellen testen, insbesondere für die Laborzyklustests, müssen wir viele, viele Male laden und entladen, zum Beispiel 1.000 Zyklen, 2.000 Zyklen, was viel Energie verbraucht. Wenn Sie also nur 50 Zyklen durchführen können, kann das viel sparen.

Wir validieren nicht nur über weniger Zyklen, sondern auch weniger Zellen. Da man früher beispielsweise unterschiedliche Betriebsbedingungen abdecken wollte, musste man möglicherweise 100 Zellen und 100 Kanäle verwenden, um unter verschiedenen Bedingungen zu testen. Aber jetzt müssen wir nur einige davon abdecken – zum Beispiel 10 Zellen, 10 Betriebsbedingungen, 50 Zyklen. So sparen wir Energie sowohl durch kürzere Zykluszeiten als auch durch das Testen weniger Batteriezellen.

Technische Kurzinformationen: Auf welche Bedingungen testen Sie?

Lied: Die Temperatur ist eine sehr wichtige Messgröße. Ein weiterer Grund ist die Art und Weise, wie wir unsere Batterien nutzen. Wenn Sie beispielsweise ein Mobiltelefon haben und ich ein Mobiltelefon, nutzen wir sie wahrscheinlich auf sehr unterschiedliche Weise. Ich möchte mein Telefon ständig vollständig aufladen, daher wird der Akku meines Mobiltelefons sehr schnell schwächer. Wenn Sie Ihr Mobiltelefon jedoch nur in der Mitte des Ladezustandsbereichs (SOC) verwenden, hält es wahrscheinlich länger. Da verschiedene Personen eine Batterie unterschiedlich verwenden, möchten wir so viele Bedingungen wie möglich abdecken.

Technische Kurzinformationen: Ich habe gelesen, dass Ihr System aus drei Komponenten besteht:Lernender, Dolmetscher und Orakel. Könnten Sie diese bitte beschreiben?

Lied: Das sind die drei Komponenten unseres entdeckenden Lernens. Der erste ist der Lernende – derjenige, der die Frage stellt und entscheidet, welche Zelldesigns und Zellprototypen getestet werden sollen. Der Lernende gibt den Befehl an den Interpreter weiter, der die Daten des frühen Zyklustests nutzt, um einen Merkmalsraum zu erstellen, der aus physikalischen Parametern, d. h. Merkmalen, besteht, die dann von einem Batterieexperten interpretiert werden können. Wir verwenden also nicht nur einige bedeutungslose statistische Merkmale; Wir verwenden Funktionen, die von einem Batterieingenieur oder Wissenschaftler interpretiert werden können. Dann stellt der Dolmetscher dem Orakel diese Funktionen zur Verfügung. Das Orakel wird sogenanntes Zero-Shot-Learning durchführen, was lediglich bedeutet, dass es die Lebensdauer neuer Batteriedesigns ohne zusätzliche Experimente vorhersagt. Das Orakel gibt dann seine Vorhersageergebnisse an den Lernenden zurück, der diesen Ergebnissen vertraut und daraus lernt. Nach einer Reihe von Durchläufen ist der Lernende in der Lage, selbst neue Batteriedesigns vorherzusagen. Und schließlich werden der Lernende und das Orakel gemeinsam Vorhersagen für alle Batterieproben treffen.

Technische Kurzinformationen: Professor Song, Sie sagten, dass Sie Batterien auswählen, von denen Sie lernen können, die ähnliche Muster aufweisen wie das, was Sie jetzt tun. Wie wählen Sie aus, welche Batterien Sie für Ihre Modelle verwenden möchten?

Lied: Es kommt in erster Linie vom Dolmetscher. Wenn wir beispielsweise über den sich entwickelnden Parametersatz des neuen Designs verfügen, können wir diesen einem früheren Batteriedesign zuordnen, um zu sehen, wie sich die Muster vergleichen lassen. Und wir nutzen das Orakel auch, weil es anhand früherer Designs trainiert wird. Außerdem kann uns der Dolmetscher die für uns interessanten Parameter mitteilen. Wenn wir beispielsweise der Meinung sind, dass es 11 oder 14 Parameter gibt, die für die Batterielebensdauer sehr wichtig sind, verwenden wir den Interpreter, um diese Parameter aus unseren ersten Testdaten abzurufen.

Dann nutzen wir das Orakel, um diese Parametersätze als Eingaben zu verwenden und die Lebensdauer unseres Designs vorherzusagen. Aber natürlich kann uns das Orakel in der ersten Runde keine genauen Ergebnisse liefern, daher müssen wir iterieren, um die Unsicherheit zu verringern und mit der Zeit bessere Ergebnisse zu erzielen.

Da wir wissen, dass dies nicht sehr genau ist, führen wir einen zweiten Durchgang vom Lernenden aus durch. Ich erhalte die Ergebnisse und Sie sagen mir die Lebensdauer der drei von mir ausgewählten Batteriedesigns. Bei bestimmten Designs oder Testbedingungen bin ich mir jedoch immer noch unsicher. Also könnte ich zwei weitere Zellen auswählen und den Vorgang noch einmal wiederholen – so lernen die Leute. Wir iterieren für verschiedene Bedingungen.

Technische Kurzinformationen: Wie beweisen Sie, dass Sie Recht haben, nachdem Sie Ihre Vorhersage getroffen haben?

Lied: Daher wählen wir in der ersten Runde für neue Batterien intuitiv die repräsentativen Testbedingungen aus. Beispielsweise legen wir Wert auf Leistung bei niedrigen Temperaturen, Leistung bei hohen Temperaturen, Leistung bei mittleren Temperaturen, hohe Entladerate und niedrige Entladerate. In der zweiten Runde verfügen wir über einige quantitative Daten, die uns bei der Auswahl weiterer Zellen helfen. Anschließend verwenden wir die Gaußsche Prozessregression, um die Unsicherheit der Vorhersagen zu ermitteln. Dann wählen wir die unsichersten Vorhersagen aus und führen diese Bedingungen erneut durch, um die ursprünglichen Vorhersagen zu bestätigen.

Dies ist in der Branche gängige Praxis, daher vertrauen die meisten Menschen darauf. Als wir unser Papier veröffentlichten, erhielten wir jedoch einen Kommentar mit der Frage, wie wir bestätigen können, dass unsere Unsicherheitsquantifizierung korrekt ist. Um ehrlich zu sein, gibt es verschiedene Methoden, und obwohl wir nicht alle ausprobiert haben, planen wir, dies in Zukunft zu tun.

Technische Kurzinformationen: Angenommen, ein Batteriehersteller ist an Ihren Ergebnissen interessiert. Wird er Ihnen genug vertrauen, um basierend auf Ihrer Vorhersage mit dem Bau von Batterien am Fließband zu beginnen?

Lied: Das ist eine gute Frage. Ich denke schon, zumindest für ein Batterieunternehmen, mit dem wir seit fast vier Jahren zusammenarbeiten. Und in unserer Zusammenarbeit stellen sie uns alle Daten zur Verfügung. Wir haben die Ergebnisse mit ihren Ingenieuren besprochen und sie halten die Ergebnisse für vertrauenswürdig. Wenn sie also ein neues Batteriedesign haben, insbesondere eines, das sich nicht sehr von einem früheren Design unterscheidet, kann unser Framework funktionieren.

Ich möchte aber auch auf die Grenzen unserer Studie hinweisen, was sehr wichtig ist. Beispielsweise können wir die Einschränkungen nicht positiv spezifizieren, wenn sich das neue Batteriedesign stark von den vorherigen unterscheidet. Das Framework ist keine Zauberei – wenn das Domänenwissen, über das Sie jetzt verfügen, sich stark von einem neuen Design unterscheidet, wie können Sie dann eine Vorhersage treffen?

Wir haben keine Methode zur Quantifizierung dieser Fragen erhalten – das würde den Rahmen dieser Arbeit sprengen. Aber ich denke, es lohnt sich, weiter zu gehen. Beispielsweise deckt unsere Studie nur herkömmliche Lithiumbatterien ab und berücksichtigt nicht einige der fortschrittlicheren Technologien wie Festkörper- oder Lithium-Metall-Batterien.

Technische Kurzinformationen: Sie beziehen sich also nur auf Standard-Lithium-Ionen-Batterien?

Lied: Genau. Derzeit verwenden die meisten Produkte Standard-Lithium-Ionen-Batterien. Aber selbst bei häufig verwendeten Lithiumbatteriezellen führt ein Elektrofahrzeughersteller oder Batteriehersteller bei neuen Designs einjährige Tests für jedes Design durch. Daher ist unser Tool im Moment sehr nützlich. Die Einschränkung besteht jedoch darin, was zu tun ist, wenn wir sehr unterschiedliche Designs haben.

Technische Kurzinformationen: Sie haben auch die physikbasierte Analyse erwähnt. Was bedeutet das?

Lied: Das bedeutet, dass wir ein physikbasiertes Modell verwenden – ein sogenanntes First-Principle-Modell. Zum Beispiel einige sehr grundlegende physikalische Gleichungen wie die Diffusionsgleichung des Fickschen Gesetzes. Mithilfe dieser können wir Merkmale generieren, die physikalisch interpretierbar sind. Beispielsweise verwenden sie in vielen früheren Arbeiten lediglich Merkmale, die aus Spannungs- und Strommessungen abgeleitet wurden, kennen aber die spezifische physikalische Bedeutung dieser Merkmale nicht.

Indem ich die physikalische Modellierung zusammen mit der Parameterkalibrierung einbeziehe, basierend darauf, dass der Parameter einem bestimmten Trend folgt, kann ich Ihnen entweder sagen, warum Ihre Batteriezelle langlebig genug ist, oder dass Sie möglicherweise über einen Verschlechterungsmechanismus verfügen. Dadurch wird die Vorhersage vertrauenswürdiger und erklärbarer.

Wenn Sie nur maschinelles Lernen nutzen und nicht auf die Physik achten, könnte der Datensatz, auf dem Sie Ihr maschinelles Lernmodell trainieren, eine Vorhersage liefern, die in 95 Prozent der Fälle funktionieren kann. Das bedeutet aber, dass es vielleicht bei Ihnen funktioniert, aber bei mir möglicherweise nicht. Und wenn es bei mir nicht funktioniert, kann es sein, dass ich eine lächerliche Vorhersage bekomme, die nicht mit der Physik übereinstimmt und in der Praxis nicht tolerierbar ist. Was die Genauigkeit betrifft, ist wahrscheinlich ein Fehler von einem Prozent in Ordnung, vielleicht sogar ein Fehler von zwei Prozent. Ich möchte Ihnen nur verlässliche Schätzungen geben, keine lächerlichen, verrückten Schätzungen.

Technische Kurzinformationen: Wie geben Sie die physikalischen Parameter in Ihr System ein?

Lied: Wir haben ein Modell, das die Systemreaktion angibt. Ich weiß, dass die Parameter einen Zusammenhang mit der Antwort haben. Deshalb verwenden wir unseren Interpreter, um eine statistische Verteilung dieser Parameter zu erhalten, da es sehr schwierig ist, eine so große Anzahl von Parametern genau zu kalibrieren. Für ein vorhandenes gutes Design und einen guten Datensatz führen Sie lediglich die Parameterkalibrierung und -verteilung durch und versuchen, Ihre Parameterverteilung und Trends auf die Lebensdauer Ihrer Batteriezellen abzubilden. Denn für das bestehende Batteriedesign können Sie die tatsächlichen Zusammenhänge erkennen, da Sie über die gesamten Lebenszyklus-Testdaten verfügen. Dann versuchen wir, diese Art von Beziehung für unsere neuen Batteriedesigns zu nutzen.

Technische Kurzinformationen: Was sind Ihre nächsten Schritte?

Lied: Mein Plan für diese Arbeit besteht darin, die Einschränkungen des Frameworks herauszufinden. Wir können nur begrenzte Batteriedesigns testen, nicht jedes einzelne. Im Moment sprechen wir über Festkörperbatterien, Lithium-Metall-, Lithium-Schwefel-Batterien und andere, und sie alle haben unterschiedliche chemische Eigenschaften. Wir wollen also sehen, ob dieser Rahmen für neue Batterietypen gut funktionieren kann. Wenn nicht, wollen wir herausfinden, was wir tun müssen. Ich denke, das Framework wird immer noch gut funktionieren, aber wir müssen Änderungen vornehmen, da unterschiedliche Batteriechemien sehr unterschiedliche interne Physik haben werden.

Für Batterieleute ist der Dolmetscher die wichtigste Komponente. Wir haben in diesem Bereich viel zu tun. Beispielsweise können wir unsere physikbasierte Modellierung verbessern, um ihre Leistung für die Modellierung von Festkörperbatterien zu verbessern.