Prévision de durée de vie des batteries pilotée par l'IA améliore la validation des nouveaux designs

L'outil IA construit à l'Université du Michigan s'appuie sur les tests de batteries antérieures pour prédire les performances de nouveaux designs. (Image : Xin Zou, Université du Wisconsin-Madison)

Tech Briefs : Qu'est-ce qui vous a motivé à démarrer ce projet ?

Ziyou Song : J'ai travaillé à la fois dans le milieu universitaire et l'industrie, donc je sais qu'il y a un point de douleur concernant les tests et la validation des batteries. Quand nous avons un nouveau design de batterie, même s'il n'est pas si différent du précédent, nous faisons toujours tous les tests en laboratoire sous des conditions similaires. Cela coûte au moins six mois et consomme beaucoup d'énergie. Donc, si nous avons un nouveau design qui n'est pas trop différent, nous nous demandions si nous pourrions utiliser ces ensembles de données précédents. Pourrions-nous tirer parti des connaissances et des motifs de données du design précédent pour prédire la durée de vie de notre nouveau design ? Cela ferait gagner beaucoup de temps et d'énergie.

Nous abordons ce problème sous l'angle de l'IA pour la science, qui est un domaine émergent — la prédiction scientifique est l'un des problèmes les plus importants. Nous nous concentrons spécifiquement sur la rentabilité de la méthode d'apprentissage automatique. Comment pouvons-nous utiliser le moins de données possible pour obtenir une performance de prédiction meilleure ou similaire.

Tech Briefs : Comment gérez-vous le fait que le design de la batterie n'est pas le même que le précédent ?

Song : Pour cette question, nous devons plonger dans notre cadre spécifique. Nous avons exploité un concept d'une étude de plusieurs décennies pour imiter la façon dont les êtres humains perçoivent le monde et acquièrent des connaissances. Par exemple, nous apprenons beaucoup de choses approximativement par nos observations, précisément en suivant des cours, ou en demandant aux autres. Notre cadre exploite une approche d'enseignement appelée apprentissage par découverte. Quand nous avons un nouveau design de batterie, nous voulons le mapper à des cellules de batteries existantes pour voir comment nous pouvons utiliser leurs ensembles de données pour notre nouveau design, afin de faire une prédiction de durée de vie sans tests prolongés.

Nous testons le nouveau design pour observer ses paramètres initiaux et comment ils évoluent pendant les premières dizaines de cycles. Ensuite, nous essayons de mapper ce motif aux batteries précédentes car nous avons les ensembles de données complets pour elles. Si nous voyons des motifs similaires, nous savons que notre nouveau design est similaire au précédent. Nous pouvons alors tirer parti de cette connaissance, des motifs de données, pour prédire la durée de vie de notre nouvelle batterie.

Tech Briefs : Vous dites que vous utilisez une énergie significative quand vous testez les batteries. Est-ce parce que vous testez les batteries sous charge ?

Song : Oui, exactement. Quand nous testons nos cellules de batterie, spécifiquement pour les tests de cyclage en laboratoire, nous devons charger et décharger de nombreuses, nombreuses fois, par exemple 1 000 cycles, 2 000 cycles, ce qui consommera beaucoup d'énergie. Donc, si vous pouvez faire seulement 50 cycles, cela peut en économiser beaucoup.

Nous ne validons pas seulement sur moins de cycles mais aussi sur moins de cellules. Par exemple, auparavant, parce que vous vouliez couvrir différentes conditions de fonctionnement, vous deviez utiliser peut-être 100 cellules, 100 canaux pour tester sous différentes conditions. Mais maintenant, nous n'avons besoin de couvrir que certains d'entre eux — par exemple, 10 cellules, 10 conditions de fonctionnement, 50 cycles. Donc, nous économisons l'énergie à la fois des temps de cyclage plus courts et aussi en testant moins de cellules de batterie.

Tech Briefs : Quelles sont certaines des conditions que vous testez ?

Song : La température est une métrique très importante. Une autre est la façon dont nous utilisons nos batteries. Par exemple, si vous avez un téléphone portable et que j'ai un téléphone portable, nous les utilisons probablement de manière très différente. Je veux charger complètement mon téléphone tout le temps, donc ma batterie de téléphone se dégrade très vite. Mais si vous utilisez juste votre téléphone portable au milieu de la plage d'état de charge (SOC), il durera probablement plus longtemps. Puisque différentes personnes utilisent une batterie différemment, nous voulons couvrir autant de conditions que possible.

Tech Briefs : J'ai lu qu'il y a trois composants de votre système : apprenant, interprète et oracle. Pourriez-vous les décrire s'il vous plaît ?

Song : Ce sont les trois composants de notre apprentissage par découverte. Le premier est l'apprenant — celui qui pose la question, qui décide quels designs de cellules et prototypes de cellules tester. L'apprenant passera la commande à l'interprète, qui exploitera les données de test de cyclage initial pour construire un espace de caractéristiques qui consiste en des paramètres physiques, c'est-à-dire des caractéristiques, qui peuvent ensuite être interprétés par un expert en batteries. Donc, nous n'utilisons pas seulement des caractéristiques statistiques sans signification ; nous utilisons des caractéristiques qui peuvent être interprétées par un ingénieur ou un scientifique en batteries. Ensuite, l'interprète fournira ces caractéristiques à l'oracle. L'oracle fera ce qu'on appelle l'apprentissage zéro-shot, ce qui signifie simplement qu'il prédit la durée de vie de nouveaux designs de batteries sans expériences supplémentaires. L'oracle passera ensuite ses résultats de prédiction à l'apprenant, qui fera confiance à ces résultats et en apprendra. Après un certain nombre d'exécutions, l'apprenant sera équipé pour prédire de nouveaux designs de batteries par lui-même. Et enfin, l'apprenant et l'oracle feront ensemble des prédictions pour tous les échantillons de batteries.

Tech Briefs : Professeur Song, vous avez dit que vous choisissez des batteries pour apprendre qui avaient des motifs similaires à ce que vous faites maintenant. Comment choisissez-vous quelles batteries utiliser comme modèles ?

Song : C'est principalement de l'interprète. Par exemple, quand nous avons l'ensemble de paramètres en évolution du nouveau design, nous pouvons le mapper à un design de batterie précédent pour voir comment les motifs se comparent. Et nous exploitons aussi l'oracle car il est entraîné en utilisant les designs précédents. Aussi, l'interprète peut nous parler des paramètres qui nous intéressent. Par exemple, si nous pensons qu'il y a 11 ou 14 paramètres qui sont très importants pour la durée de vie de la batterie, nous utilisons l'interprète pour obtenir ces paramètres de nos données de test initiales.

Ensuite, nous exploitons l'oracle pour prendre ces ensembles de paramètres comme entrées et prédire la durée de vie de notre design. Mais bien sûr, l'oracle ne peut pas nous donner des résultats précis au premier tour, donc nous devons itérer pour réduire l'incertitude et obtenir de meilleurs résultats au fil du temps.

Puisque nous savons que ce n'est pas trop précis, nous faisons un deuxième tour à partir de l'apprenant. J'obtiens les résultats et vous me dites la durée de vie des trois designs de batteries que j'ai sélectionnés. Mais je suis encore incertain sur certains designs ou conditions de test. Donc, je pourrais choisir deux cellules de plus et refaire la procédure une fois de plus — c'est comme ça que les gens apprennent. Nous itérons pour différentes conditions.

Tech Briefs : Une fois que vous avez votre prédiction, comment prouvez-vous que vous avez raison ?

Song : Donc, au premier tour pour les nouvelles batteries, nous choisissons les conditions de test représentatives intuitivement. Par exemple, nous nous soucions de la performance à basse température, haute température, température moyenne, taux de décharge élevé et taux de décharge faible. Au deuxième tour, nous avons quelques données quantitatives pour nous aider à choisir d'autres cellules. Nous utilisons ensuite la régression par processus gaussien pour nous donner l'incertitude des prédictions. Ensuite, nous choisissons les prédictions les plus incertaines et relançons ces conditions pour confirmer les prédictions originales.

C'est une pratique courante dans le domaine, donc la plupart des gens lui font confiance. Cependant, nous avons reçu un commentaire quand nous avons publié notre article demandant comment nous pouvons confirmer que notre quantification d'incertitude est correcte ? Il y a différentes méthodes, pour être honnête, et bien que nous n'ayons pas essayé toutes, nous prévoyons de le faire à l'avenir.

Tech Briefs : Supposons qu'un fabricant de batteries s'intéresse à vos résultats. Lui fera-t-il assez confiance pour commencer à construire des batteries sur une chaîne d'assemblage basées sur votre prédiction ?

Song : C'est une bonne question. Je pense que oui, au moins pour une entreprise de batteries avec laquelle nous collaborons depuis presque quatre ans. Et dans notre collaboration, ils fournissent toutes les données à nous. Nous avons discuté des résultats avec leurs ingénieurs, et ils pensent que les résultats sont fiables. Donc, s'ils ont un nouveau design de batterie, surtout pour un qui n'est pas très différent d'un design précédent, notre cadre peut fonctionner.

Mais je veux aussi souligner les limites de notre étude, ce qui est très important. Par exemple, nous ne pouvons pas spécifier positivement les limites si le nouveau design de batterie est très différent des précédents. Le cadre n'est pas magique — si les connaissances du domaine que vous avez maintenant sont très différentes d'un nouveau design, comment pouvez-vous faire une prédiction ?

Nous n'avons pas obtenu de méthodologie pour quantifier ces questions — c'est hors du champ de ce travail. Mais je pense que ça vaut la peine d'aller plus loin. Par exemple, notre étude ne couvre que les batteries lithium traditionnelles et n'inclut pas certaines des technologies plus avancées comme l'état solide ou le lithium-métal.

Tech Briefs : Donc, vous ne couvrez que les batteries lithium-ion standard ?

Song : Exactement. Actuellement, la plupart des produits utilisent des batteries lithium-ion standard. Mais même pour les cellules de batteries lithium couramment utilisées, quand vous avez de nouveaux designs, une entreprise de véhicules électriques ou de batteries fera des tests d'un an pour chaque design. Donc, notre outil est très utile maintenant. Mais la limitation est quoi faire quand nous avons des designs très différents.

Tech Briefs : Vous avez aussi mentionné l'analyse basée sur la physique. Qu'est-ce que cela signifie ?

Song : Cela signifie que nous utilisons un modèle basé sur la physique — un modèle dit de premiers principes. Par exemple, certaines équations physiques très basiques comme l'équation de diffusion de Fick. En utilisant celles-ci, nous pouvons générer des caractéristiques qui sont physiquement interprétables. Par exemple, dans de nombreux articles précédents, ils n'utilisent que des caractéristiques dérivées des mesures de tension et de courant, mais ils ne connaissent pas la signification physique spécifique de ces caractéristiques.

En incorporant la modélisation physique avec l'étalonnage des paramètres, basé sur le paramètre suivant une certaine tendance, je peux vous dire soit pourquoi votre cellule de batterie est assez durable, soit que vous pourriez avoir un certain type de mécanisme de dégradation. Cela rendra la prédiction plus fiable et plus explicable.

Si vous utilisez juste l'apprentissage automatique, et que vous ne faites pas attention à la physique, l'ensemble de données sur lequel vous entraînez votre modèle d'apprentissage automatique pourrait vous donner une prédiction qui peut fonctionner pour 95 % des cas. Mais cela signifie que, bien que cela puisse fonctionner pour vous, cela pourrait ne pas fonctionner pour moi. Et si cela ne fonctionne pas pour moi, cela pourrait me donner une prédiction ridicule, incohérente avec la physique, et ce n'est pas tolérable en pratique. Concernant la précision, probablement une erreur de 1 % est bien, peut-être même 2 %. Je veux juste vous donner des estimations fiables, pas des estimations ridicules, folles.

Tech Briefs : Comment entrez-vous les paramètres physiques dans votre système ?

Song : Nous avons un modèle indiquant la réponse du système. Je sais que les paramètres ont une relation avec la réponse. Donc, nous utilisons notre interprète pour obtenir une distribution statistique de ces paramètres, parce qu'il est très difficile d'étalonner un si grand nombre de paramètres précisément. Pour un design existant bon et un ensemble de données, vous faites juste l'étalonnage des paramètres, la distribution, et vous essayez de mapper votre distribution de paramètres et tendances à la durée de vie de vos cellules de batterie. Parce que pour le design de batterie existant, puisque vous avez les données de test du cycle de vie complet, vous pouvez voir les relations réelles. Ensuite, nous essayons d'exploiter ce genre de relation pour nos nouveaux designs de batteries.

Tech Briefs : Quelles sont vos prochaines étapes ?

Song : Mon plan concernant ce travail est de déterminer les limites du cadre. Nous ne pouvons tester que des designs de batteries limités, pas chaque single one. En ce moment, nous parlons de batteries à état solide, lithium-métal, lithium-soufre, et d'autres, et elles ont toutes des chimies différentes. Donc, nous voulons voir si ce cadre peut bien fonctionner pour de nouveaux types de batteries. Sinon, nous voulons explorer ce que nous devons faire. Je pense que le cadre fonctionnera toujours bien, mais nous devrons faire des changements parce que différentes chimies de batteries auront des physiques internes très différentes.

Pour les gens de batteries, le composant le plus important est l'interprète. Nous avons beaucoup de choses à faire dans ce domaine. Par exemple, nous pouvons améliorer notre modélisation basée sur la physique pour améliorer ses performances pour la modélisation des batteries à état solide.