A previsão da vida útil da bateria baseada em IA aprimora a validação de novos projetos

A ferramenta de IA construída na Universidade de Michigan baseia-se em testes de baterias anteriores para prever o desempenho de novos designs. (Imagem:Xin Zou, Universidade de Wisconsin-Madison)

Resumos técnicos: O que motivou você a iniciar este projeto?

Música de Ziyou: Tenho trabalhado tanto na academia quanto na indústria, então sei que há um problema em relação ao teste e validação de baterias. Quando temos um novo design de bateria, mesmo que não seja tão diferente da anterior, sempre fazemos todos os testes de laboratório em condições semelhantes. Isso custará pelo menos seis meses e consumirá muita energia. Portanto, se tivermos um novo design que não seja muito diferente, gostaríamos de saber se poderíamos usar os conjuntos de dados anteriores. Poderíamos aproveitar o conhecimento e os padrões de dados do projeto anterior para prever a vida útil do nosso novo projeto? Isso economizaria muito tempo e energia.

Estamos a olhar para este problema da perspectiva da IA para a ciência, que é um campo emergente – a previsão científica é um dos problemas mais importantes. Estamos nos concentrando especificamente na relação custo-benefício do método de aprendizado de máquina. Como podemos usar o mínimo de dados possível para obter um desempenho de previsão melhor ou semelhante.

Resumos técnicos: Como você lida com o fato de o design da bateria não ser igual ao anterior?

Música: Para esta questão, temos que nos aprofundar em nossa estrutura específica. Aproveitamos um conceito de um estudo de várias décadas atrás para imitar como os seres humanos percebem o mundo e adquirem conhecimento. Por exemplo, aprendemos muitas coisas aproximadamente por meio de nossas observações, com precisão assistindo aulas ou perguntando a outras pessoas. Nossa estrutura aproveita uma abordagem de ensino chamada aprendizagem por descoberta. Quando temos um novo design de bateria, queremos mapeá-lo para células de bateria existentes para ver como podemos usar seus conjuntos de dados em nosso novo design, para que possamos fazer uma previsão de vida útil sem testes prolongados.

Testamos o novo design para observar seus parâmetros iniciais e como eles evoluem durante as primeiras dezenas de ciclos. Em seguida, tentamos mapear esse padrão para baterias anteriores porque temos os conjuntos de dados completos para elas. Se virmos padrões semelhantes, sabemos que o nosso novo design é semelhante ao anterior. Podemos então aproveitar esse conhecimento, os padrões de dados, para prever a vida útil da nossa nova bateria.

Resumos técnicos: Você diz que usa energia significativa ao testar as baterias. Isso é porque você testa baterias sob carga?

Música: Sim, exatamente. Quando testamos nossas células de bateria, especificamente para testes de ciclo de laboratório, temos que carregar e descarregar muitas e muitas vezes, por exemplo, 1.000 ciclos, 2.000 ciclos, o que consumirá muita energia. Então, se você conseguir fazer apenas 50 ciclos, isso pode economizar muito.

Não apenas validamos em menos ciclos, mas também validamos menos células. Por exemplo, anteriormente, como você queria cobrir diferentes condições operacionais, teria que usar talvez 100 células, 100 canais para testar sob diferentes condições. Mas agora só precisamos cobrir alguns deles – por exemplo, 10 células, 10 condições de operação, 50 ciclos. Assim, economizamos energia com tempos de ciclo mais curtos e também testando menos células de bateria.

Resumos técnicos: Quais são algumas das condições que você testa?

Música: A temperatura é uma métrica muito importante. Outra é como usamos nossas baterias. Por exemplo, se você tem um telefone celular e eu tenho um telefone celular, provavelmente os estamos usando de maneiras muito diferentes. Quero carregar totalmente meu telefone o tempo todo, para que a bateria do meu celular se degrade muito rapidamente. Mas se você usar seu celular apenas no meio da faixa do estado de carga (SOC), provavelmente ele durará mais. Como pessoas diferentes usam uma bateria de maneira diferente, queremos cobrir o maior número possível de condições.

Resumos técnicos: Eu li que existem três componentes do seu sistema:aluno, intérprete e oráculo. Você poderia descrevê-los, por favor?

Música: Esses são os três componentes do nosso aprendizado por descoberta. O primeiro é o aluno – aquele que faz a pergunta, que decide quais designs e protótipos de células testar. O aluno passará o comando para o intérprete, que aproveitará os dados iniciais do teste de ciclo para construir um espaço de recursos que consiste em parâmetros físicos, ou seja, recursos, que podem então ser interpretados por um especialista em bateria. Portanto, não estamos apenas usando alguns recursos estatísticos sem sentido; estamos usando recursos que podem ser interpretados por um engenheiro de bateria ou cientista. Então o intérprete fornecerá esses recursos ao oráculo. O oráculo fará o chamado aprendizado zero shot, o que significa apenas que prevê a vida útil de novos designs de bateria sem experimentos adicionais. O oráculo então repassará os resultados de sua previsão ao aluno, que confiará nesses resultados e aprenderá com eles. Após uma série de execuções, o aluno estará equipado para prever por si só novos designs de bateria. E, finalmente, o aluno e o oráculo farão previsões juntos para todas as amostras de bateria.

Resumos técnicos: Professor Song, você disse que escolhe baterias para aprender que têm padrões semelhantes aos que você está fazendo agora. Como você escolhe quais baterias usar como modelo?

Música: É principalmente do intérprete. Por exemplo, quando temos o conjunto de parâmetros em evolução do novo design, podemos mapeá-lo para um design de bateria anterior para ver como os padrões se comparam. E também aproveitamos o oráculo porque ele é treinado com designs anteriores. Além disso, o intérprete pode nos informar sobre os parâmetros que nos interessam. Por exemplo, se acharmos que existem 11 ou 14 parâmetros que são muito importantes para a vida útil da bateria, usamos o interpretador para obter esses parâmetros dos nossos dados de teste iniciais.

Em seguida, aproveitamos o oráculo para tomar esses conjuntos de parâmetros como entradas e prever a vida útil do nosso projeto. Mas é claro que o oráculo não pode nos dar resultados precisos na primeira rodada, por isso temos que iterar para reduzir a incerteza e obter melhores resultados ao longo do tempo.

Como sabemos que isso não é muito preciso, fazemos uma segunda execução a partir do aluno. Recebo os resultados e você me conta a vida útil dos três designs de bateria que selecionei. Mas ainda não tenho certeza sobre determinados projetos ou condições de teste. Então, eu poderia escolher mais duas células e refazer o procedimento mais uma vez – é assim que as pessoas aprendem. Iteramos para diferentes condições.

Resumos técnicos: Depois de fazer sua previsão, como você prova que está certo?

Música: Assim, na primeira rodada para baterias novas, escolhemos intuitivamente as condições de teste representativas. Por exemplo, nos preocupamos com desempenho em baixa temperatura, desempenho em alta temperatura, desempenho em temperatura média, alta taxa de descarga e baixa taxa de descarga. Na segunda rodada, temos alguns dados quantitativos para nos ajudar a escolher mais células. Em seguida, usamos a regressão do processo gaussiano para nos fornecer a incerteza das previsões. Em seguida, escolhemos as previsões mais incertas e executamos essas condições novamente para confirmar as previsões originais.

Esta é uma prática comum na área, por isso a maioria das pessoas confia nela. No entanto, quando publicámos o nosso artigo, recebemos um comentário perguntando como podemos confirmar que a nossa quantificação da incerteza está correta. Existem diferentes métodos, para ser honesto, e embora não tenhamos tentado todos eles, planejamos fazê-lo no futuro.

Resumos técnicos: Suponha que um fabricante de baterias esteja interessado em seus resultados. Ele confiará em você o suficiente para começar a construir baterias em uma linha de montagem com base em sua previsão?

Música: Essa é uma boa pergunta. Acho que sim, pelo menos para uma empresa de baterias com a qual colaboramos há quase quatro anos. E na nossa colaboração, eles nos fornecem todos os dados. Temos discutido os resultados com seus engenheiros e eles acham que os resultados são confiáveis. Portanto, se eles tiverem um novo design de bateria, especialmente para uma que não seja muito diferente de um design anterior, nossa estrutura poderá funcionar.

Mas também quero apontar as limitações do nosso estudo, o que é muito importante. Por exemplo, não podemos especificar positivamente as limitações se o design da nova bateria for muito diferente dos anteriores. A estrutura não é mágica – se o conhecimento do domínio que você tem agora é muito diferente de um novo design, como você pode fazer uma previsão?

Não obtivemos uma metodologia para quantificar essas questões – está fora do escopo deste trabalho. Mas acho que vale a pena ir mais longe. Por exemplo, nosso estudo cobre apenas baterias de lítio tradicionais e não inclui algumas das tecnologias mais avançadas, como estado sólido ou metal-lítio.

Resumos técnicos: Então, você está cobrindo apenas baterias de íon de lítio padrão?

Música: Exatamente. Atualmente, a maioria dos produtos usa baterias padrão de íons de lítio. Mas mesmo para células de bateria de lítio comumente usadas, quando você tem novos projetos, uma empresa de veículos elétricos ou de baterias fará testes de um ano para cada projeto. Portanto, nossa ferramenta é muito útil neste momento. Mas a limitação é o que fazer quando temos designs muito diferentes.

Resumos técnicos: Você também mencionou a análise baseada na física. O que isso significa?

Música: Isso significa que usamos um modelo baseado na física – o chamado modelo de primeiro princípio. Por exemplo, algumas equações físicas muito básicas, como a equação de difusão da lei de Fick. Usando-os, podemos gerar recursos que são fisicamente interpretáveis. Por exemplo, em muitos artigos anteriores, eles apenas usam recursos derivados de medições de tensão e corrente, mas não conhecem o significado físico específico desses recursos.

Ao incorporar a modelagem física junto com a calibração dos parâmetros, com base no parâmetro que segue uma determinada tendência, posso dizer por que a célula da sua bateria é durável o suficiente ou que você pode ter algum tipo de mecanismo de degradação. Isso tornará a previsão mais confiável e mais explicável.

Se você apenas usa o aprendizado de máquina e não presta atenção à física, o conjunto de dados no qual você treina seu modelo de aprendizado de máquina pode fornecer uma previsão que pode funcionar em 95% dos casos. Mas isso significa que, embora talvez funcione para você, pode não funcionar para mim. E se não funcionar para mim, pode dar-me uma previsão ridícula, inconsistente com a física, e isso não é tolerável na prática. Com relação à precisão, provavelmente um erro de um por cento é adequado, talvez até um erro de dois por cento. Quero apenas fornecer estimativas confiáveis, não estimativas ridículas e malucas.

Resumos técnicos: Como você insere os parâmetros físicos em seu sistema?

Música: Temos um modelo que indica a resposta do sistema. Eu sei que os parâmetros têm relação com a resposta. Então, usamos nosso intérprete para obter uma distribuição estatística desses parâmetros, porque é muito difícil calibrar com precisão um número tão grande de parâmetros. Para um bom design e conjunto de dados existentes, basta fazer a calibração dos parâmetros, a distribuição e tentar mapear a distribuição dos parâmetros e as tendências para a vida útil das células da bateria. Porque para o design da bateria existente, como você tem todos os dados de teste do ciclo de vida, você pode ver as relações reais. Então tentamos aproveitar esse tipo de relacionamento para nossos novos designs de baterias.

Resumos técnicos: Quais são seus próximos passos?

Música: Meu plano em relação a este trabalho é descobrir as limitações da estrutura. Só podemos testar designs de baterias limitados, não todos. No momento, estamos falando de baterias de estado sólido, baterias de lítio metálico, baterias de lítio-enxofre e outras, e todas elas têm químicas diferentes. Portanto, queremos ver se esta estrutura pode funcionar bem para novos tipos de baterias. Caso contrário, queremos explorar o que precisamos fazer. Acho que a estrutura ainda funcionará bem, mas teremos que fazer alterações porque diferentes químicas de baterias terão físicas internas muito diferentes.

Para quem usa bateria, o componente mais importante é o intérprete. Temos muitas coisas para fazer neste campo. Por exemplo, podemos aprimorar nossa modelagem baseada na física para melhorar seu desempenho na modelagem de baterias de estado sólido.