Previsão de Vida de Bateria Impulsionada por IA Melhora Validação de Novos Designs

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)

Entrevista com Ziyou Song

Tech Briefs: O que motivou você a iniciar este projeto?

Ziyou Song: Tenho trabalhado tanto na academia quanto na indústria, então sei que há um ponto de dor em relação a teste e validação de baterias. Quando temos um novo design de bateria, mesmo que não seja tão diferente do anterior, sempre fazemos todos os testes de laboratório sob condições similares. Isso custará pelo menos seis meses e consumirá muita energia. Então, se temos um novo design que não é muito diferente, estávamos nos perguntando se poderíamos usar aqueles conjuntos de dados anteriores. Poderíamos aproveitar o conhecimento e padrões de dados do design anterior para prever a vida útil do nosso novo design? Isso economizaria muito tempo e energia.

Estamos olhando para este problema de uma perspectiva de IA para ciência, que é um campo emergente — previsão científica é um dos problemas mais importantes. Estamos focando especificamente na custo-efetividade do método de aprendizado de máquina. Como podemos usar a menor quantidade possível de dados para alcançar desempenho de previsão melhor ou similar.

Tech Briefs: Como você lida com o fato de que o design da bateria não é o mesmo do anterior?

Song: Para esta pergunta, temos que nos aprofundar em nossa estrutura específica. Aproveitamos um conceito de um estudo de várias décadas atrás para imitar como seres humanos percebem o mundo e ganham conhecimento. Por exemplo, aprendemos muitas coisas aproximadamente por nossas observações, precisamente ao fazer aulas, ou perguntando a outros. Nossa estrutura aproveita uma abordagem de ensino chamada discovery learning (aprendizado 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 para 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. Então tentamos mapear este padrão para baterias anteriores porque temos os conjuntos de dados completos para elas. Se vemos padrões similares, sabemos que nosso novo design é similar ao anterior. Podemos então aproveitar aquele conhecimento, os padrões de dados, para prever a vida útil de nossa nova bateria.

Tech Briefs: Você diz que usa energia significativa quando testa as baterias. É porque testa baterias sob carga?

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

Não apenas validamos sobre menos ciclos, mas também validamos menos células. Por exemplo, anteriormente, porque você queria cobrir diferentes condições de operação, teria que usar talvez 100 células, 100 canais para testar sob diferentes condições. Mas agora, só precisamos cobrir algumas delas — por exemplo, 10 células, 10 condições de operação, 50 ciclos. Então, economizamos energia tanto de tempos de ciclagem mais curtos quanto testando menos células de bateria.

Tech Briefs: Quais são algumas das condições que você testa?

Song: Temperatura é uma métrica muito importante. Outra é como usamos nossas baterias. Por exemplo, se você tem um celular e eu tenho um celular, provavelmente os usamos de maneiras muito diferentes. Eu quero carregar totalmente meu telefone o tempo todo, então minha bateria de celular degrada muito rapidamente. Mas se você apenas usa seu celular no meio da faixa de estado de carga (SOC), provavelmente durará mais. Como pessoas diferentes usam uma bateria de forma diferente, queremos cobrir o máximo de condições possível.

Tech Briefs: Li que há três componentes do seu sistema: learner, interpreter, e oracle. Você os descreveria por favor?

Song: Esses são os três componentes do nosso discovery learning. O primeiro é o learner — aquele que faz a pergunta, que decide quais designs de célula e protótipos de célula testar. O learner passará o comando para o interpreter, que aproveitará os dados de teste de ciclagem inicial para construir um espaço de características que consiste em parâmetros físicos, ou seja, features, que podem então ser interpretados por um especialista em baterias. Então, não estamos apenas usando algumas features estatísticas sem significado; estamos usando features que podem ser interpretadas por um engenheiro ou cientista de baterias. Então o interpreter fornecerá estas features para o oracle. O oracle fará o chamado zero-shot learning, que apenas significa que prevê a vida útil de novos designs de bateria sem experimentos adicionais. O oracle então passará seus resultados de previsão de volta para o learner, que confiará nestes resultados e aprenderá com eles. Após um número de rodadas, o learner estará equipado para prever novos designs de bateria por si mesmo. E finalmente, o learner e o oracle juntos farão previsões para todas as amostras de bateria.

Tech Briefs: Professor Song, você disse que escolhe baterias para aprender que tinham padrões similares ao que você está fazendo agora. Como você escolhe quais baterias usar como seus modelos?

Song: É principalmente do interpreter. Por exemplo, quando temos o conjunto de parâmetros em evolução do novo design, podemos mapear isso para um design de bateria anterior para ver como os padrões comparam. E também aproveitamos o oracle porque ele é treinado usando designs anteriores. Também, o interpreter pode nos dizer sobre os parâmetros de interesse para nós. Por exemplo, se pensamos que há 11 ou 14 parâmetros que são muito importantes para a vida útil da bateria, usamos o interpreter para obter esses parâmetros de nossos dados de teste inicial.

Então aproveitamos o oracle para tomar estes conjuntos de parâmetros como entradas e prever a vida útil de nosso design. Mas claro, o oracle não pode nos dar resultados precisos na primeira rodada, então temos que iterar para reduzir a incerteza e obter melhores resultados ao longo do tempo.

Como sabemos que não é tão preciso, fazemos uma segunda rodada do learner. Eu obtenho os resultados e você me diz a vida útil dos três designs de bateria que selecionei. Mas ainda estou incerto sobre certos designs ou condições de teste. Então, posso escolher mais duas células e refazer o procedimento mais uma vez — é assim que as pessoas aprendem. Iteramos para diferentes condições.

Tech Briefs: Uma vez que você chega à sua previsão, como você prova que está certo?

Song: Então, na primeira rodada para novas baterias, escolhemos condições de teste representativas intuitivamente. Por exemplo, nos importamos com desempenho em baixa temperatura, alta temperatura, 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. Então usamos regressão de processo gaussiano para nos dar a incerteza das previsões. Então escolhemos as previsões mais incertas e rodamos essas condições novamente para confirmar as previsões originais.

Esta é prática comum no campo, então a maioria das pessoas confia nela. No entanto, recebemos um comentário quando publicamos nosso artigo perguntando como podemos confirmar que nossa quantificação de incerteza está correta? Existem diferentes métodos, para ser honesto, e embora não tenhamos tentado todos, planejamos fazer no futuro.

Tech Briefs: Suponha que um fabricante de baterias esteja interessado em seus resultados. Ele confiará o suficiente para começar a construir baterias em uma linha de montagem baseada em sua previsão?

Song: Essa é uma boa pergunta. Acho que sim, pelo menos para uma empresa de baterias com a qual temos colaborado por quase quatro anos. E em nossa colaboração, eles fornecem todos os dados para nós. Temos discutido os resultados com seus engenheiros, e eles acham que os resultados são confiáveis. Então, se eles têm um novo design de bateria, especialmente para um que não é muito diferente de um design anterior, nossa estrutura pode funcionar.

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

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

Tech Briefs: Então, você está cobrindo apenas baterias de íon-lítio padrão?

Song: Exatamente. Atualmente, a maioria dos produtos usa baterias de íon-lítio padrão. Mas mesmo para células de bateria de lítio comumente usadas, quando você tem novos designs, uma empresa de veículos elétricos ou empresa de baterias fará testes de um ano para cada design. Então, nossa ferramenta é muito útil agora. Mas a limitação é o que fazer quando temos designs muito diferentes.

Tech Briefs: Você também mencionou análise baseada em física. O que isso significa?

Song: Significa que fazemos uso de um modelo baseado em física — um chamado modelo de primeiros princípios. Por exemplo, algumas equações físicas muito básicas como a equação de difusão de Fick. Usando estas, podemos gerar features que são fisicamente interpretáveis. Por exemplo, em muitos artigos anteriores, eles apenas usam features derivadas de medições de voltagem e corrente, mas não sabem o significado físico específico daquelas features.

Ao incorporar modelagem física junto com calibração de parâmetros, baseada no parâmetro seguindo uma certa tendência, posso te dizer ou por que sua célula de 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 aprendizado de máquina, e não presta atenção à física, o conjunto de dados que você treina seu modelo de aprendizado de máquina pode te dar uma previsão que pode funcionar para 95 por cento dos casos. Mas isso significa que, embora talvez funcione para você, pode não funcionar para mim. E se não funcionar para mim, pode me dar uma previsão ridícula, inconsistente com a física, e isso não é tolerável na prática. Quanto à precisão, provavelmente um erro de um por cento está bem, talvez até dois por cento. Eu só quero dar estimativas confiáveis, não estimativas ridículas, malucas.

Tech Briefs: Como você insere os parâmetros físicos no seu sistema?

Song: Temos um modelo indicando a resposta do sistema. Sei que os parâmetros têm relação com a resposta. Então, usamos nosso interpreter para obter uma distribuição estatística daqueles parâmetros, porque é muito difícil calibrar um número tão grande de parâmetros precisamente. Para um design existente bom e conjunto de dados, você apenas faz a calibração de parâmetros, a distribuição, e tenta mapear sua distribuição de parâmetros e tendências para a vida útil de suas células de bateria. Porque para o design de bateria existente, como você tem os dados de teste de ciclo de vida completo, você pode ver as relações reais. Então tentamos aproveitar este tipo de relação para nossos novos designs de bateria.

Tech Briefs: Quais são seus próximos passos?

Song: Meu plano em relação a este trabalho é descobrir as limitações da estrutura. Podemos testar apenas designs de bateria limitados, não cada um. Agora, estamos falando de baterias de estado sólido, lítio-metal, lítio-enxofre e outras, e todas têm químicas diferentes. Então, queremos ver se esta estrutura pode funcionar bem para novos tipos de baterias. Se não, queremos explorar o que precisamos fazer. Acho que a estrutura ainda funcionará bem, mas teremos que fazer mudanças porque diferentes químicas de bateria terão físicas internas muito diferentes.

Para pessoas de bateria, o componente mais importante é o interpreter. Temos muitas coisas para fazer neste campo. Por exemplo, podemos aprimorar nossa modelagem baseada em física para melhorar seu desempenho para modelar baterias de estado sólido.