La prévision de la durée de vie de la batterie basée sur l'IA améliore la validation des nouvelles conceptions

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

Notes techniques : Qu'est-ce qui vous a motivé à démarrer ce projet ?

Chanson Ziyou : J'ai travaillé à la fois dans le milieu universitaire et dans l'industrie, je sais donc qu'il existe un problème concernant les tests et la validation des batteries. Lorsque nous avons une nouvelle conception de batterie, même si elle n’est pas si différente de la précédente, nous effectuons toujours tous les tests en laboratoire dans des conditions similaires. Cela coûtera au moins six mois et consommera beaucoup d’énergie. Donc, si nous avions une nouvelle conception qui n’est pas trop différente, nous nous demandions si nous pouvions utiliser ces ensembles de données précédents. Pouvons-nous exploiter les connaissances et les modèles de données de la conception précédente pour prédire la durée de vie de notre nouvelle conception ? Cela permettrait d'économiser beaucoup de temps et d'énergie.

Nous examinons ce problème du point de vue 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 des performances de prédiction meilleures ou similaires.

Notes techniques : Comment gérez-vous le fait que la conception de la batterie n’est pas la même que la précédente ?

Chanson : Pour cette question, nous devons plonger dans notre cadre spécifique. Nous avons exploité un concept issu d’une étude il y a plusieurs décennies pour imiter la façon dont les êtres humains perçoivent le monde et acquièrent des connaissances. Par exemple, nous apprenons beaucoup de choses grossièrement par nos observations, avec précision en suivant des cours ou en interrogeant les autres. Notre cadre s'appuie sur une approche pédagogique appelée apprentissage par découverte. Lorsque nous avons une nouvelle conception de batterie, nous souhaitons la mapper aux cellules de batterie existantes pour voir comment nous pouvons utiliser leurs ensembles de données pour notre nouvelle conception, afin de pouvoir faire une prédiction de la durée de vie sans tests prolongés.

Nous testons le nouveau design pour observer ses paramètres initiaux et leur évolution au cours des premières dizaines de cycles. Ensuite, nous essayons de mapper ce modèle aux batteries précédentes, car nous disposons des ensembles de données complets pour elles. Si nous constatons des tendances similaires, nous savons que notre nouveau design est similaire au précédent. Nous pouvons ensuite exploiter ces connaissances, les modèles de données, pour prédire la durée de vie de notre nouvelle batterie.

Notes techniques : Vous dites que vous consommez une énergie importante lorsque vous testez les batteries. Est-ce parce que vous testez les batteries sous charge ?

Chanson : Oui, exactement. Lorsque nous testons nos cellules de batterie, en particulier pour les tests de cycle en laboratoire, nous devons charger et décharger de très nombreuses fois, par exemple 1 000 cycles, 2 000 cycles, ce qui consommera beaucoup d'énergie. Donc, si vous ne pouvez faire que 50 cycles, cela peut économiser beaucoup.

Nous validons non seulement sur moins de cycles, mais validons également 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 dans différentes conditions. Mais maintenant, il ne nous reste plus qu'à en couvrir quelques-uns :par exemple, 10 cellules, 10 conditions de fonctionnement, 50 cycles. Ainsi, nous économisons de l'énergie à la fois grâce à des temps de cycle plus courts et également en testant moins de cellules de batterie.

Notes techniques : Quelles sont certaines des conditions que vous testez ?

Chanson : La température est une mesure très importante. Une autre raison concerne la manière dont nous utilisons nos batteries. Par exemple, si vous avez un téléphone portable et moi un téléphone portable, nous les utilisons probablement de manières très différentes. Je veux recharger complètement mon téléphone tout le temps, donc la batterie de mon téléphone portable se dégrade très rapidement. Mais si vous utilisez votre téléphone portable uniquement au milieu de la plage de l’état de charge (SOC), il durera probablement plus longtemps. Étant donné que différentes personnes utilisent une batterie différemment, nous souhaitons couvrir autant de conditions que possible.

Notes techniques : J'ai lu qu'il y a trois composants dans votre système :l'apprenant, l'interprète et l'oracle. Pourriez-vous les décrire s'il vous plaît ?

Chanson : Ce sont les trois composantes de notre apprentissage par découverte. Le premier est l’apprenant – celui qui pose la question, qui décide quelles conceptions de cellules et quels prototypes de cellules tester. L'apprenant transmettra la commande à l'interprète, qui exploitera les premières données des tests de cyclage pour créer un espace de fonctionnalités composé de paramètres physiques, c'est-à-dire de fonctionnalités, qui peuvent ensuite être interprétées par un expert en batterie. Ainsi, nous n’utilisons pas seulement des fonctionnalités statistiques dénuées de sens; nous utilisons des fonctionnalités qui peuvent être interprétées par un ingénieur en batterie ou un scientifique. L’interprète fournira ensuite ces fonctionnalités à l’oracle. L'Oracle effectuera ce qu'on appelle un apprentissage zéro, ce qui signifie simplement qu'il prédit la durée de vie des nouvelles conceptions de batteries sans expériences supplémentaires. L'oracle transmettra ensuite ses résultats de prédiction à l'apprenant, qui fera confiance à ces résultats et en tirera des leçons. Après un certain nombre d’essais, l’apprenant sera équipé pour prédire lui-même les nouvelles conceptions de batteries. Et enfin, l'apprenant et l'oracle feront ensemble des prédictions pour tous les échantillons de batterie.

Notes techniques : Professeur Song, vous avez dit que vous choisissiez des piles pour apprendre qui avaient des schémas similaires à ce que vous faites actuellement. Comment choisissez-vous les batteries à utiliser comme modèles ?

Chanson : Cela vient principalement de l'interprète. Par exemple, lorsque nous disposons de l’ensemble de paramètres évolutifs de la nouvelle conception, nous pouvons le mapper à une conception de batterie précédente pour voir comment les modèles se comparent. Et nous exploitons également l'oracle car il est formé à l'aide de conceptions précédentes. Aussi, l’interprète peut nous renseigner sur les paramètres qui nous intéressent. Par exemple, si nous pensons qu'il y a 11 ou 14 paramètres très importants pour la durée de vie de la batterie, nous utilisons l'interpréteur pour obtenir ces paramètres à partir de nos données de test initiales.

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

Puisque nous savons que ce n’est pas très précis, nous effectuons une deuxième exécution auprès de l’apprenant. Je reçois les résultats et vous me dites la durée de vie des trois modèles de batteries que j'ai sélectionnés. Mais je suis encore incertain sur certaines conceptions ou conditions de test. Donc, je pourrais choisir deux cellules supplémentaires et refaire la procédure une fois de plus – c’est ainsi que les gens apprennent. Nous itérons pour différentes conditions.

Notes techniques : Une fois que vous avez fait votre prédiction, comment prouver que vous avez raison ?

Chanson : Ainsi, lors du premier tour de batteries neuves, nous choisissons intuitivement les conditions de test représentatives. Par exemple, nous nous soucions des performances à basse température, des performances à haute température, des performances à température moyenne, du taux de décharge élevé et du faible taux de décharge. Au deuxième tour, nous disposons de données quantitatives pour nous aider à choisir d’autres cellules. Nous utilisons ensuite la régression du processus gaussien pour nous donner l’incertitude des prédictions. Ensuite, nous choisissons les prédictions les plus incertaines et réexécutons ces conditions pour confirmer les prédictions originales.

C’est une pratique courante dans le domaine, c’est pourquoi la plupart des gens lui font confiance. Cependant, nous avons reçu un commentaire lors de la publication de notre article nous demandant comment pouvons-nous confirmer que notre quantification de l’incertitude est correcte ? Pour être honnête, il existe différentes méthodes, et même si nous ne les avons pas toutes essayées, nous prévoyons de le faire à l'avenir.

Notes techniques : Supposons qu'un fabricant de batteries soit intéressé par vos résultats. Vous fera-t-il suffisamment confiance pour commencer à fabriquer des batteries sur une chaîne de montage en fonction de votre prédiction ?

Chanson : C'est une bonne question. Je le pense, du moins pour une entreprise de batteries avec laquelle nous collaborons depuis près de quatre ans. Et dans notre collaboration, ils nous fournissent toutes les données. Nous avons discuté des résultats avec leurs ingénieurs et ils pensent que les résultats sont dignes de confiance. Ainsi, s'ils ont une nouvelle conception de batterie, en particulier si elle n'est pas très différente d'une conception précédente, notre cadre peut fonctionner.

Mais je tiens aussi à souligner les limites de notre étude, qui est très importante. Par exemple, nous ne pouvons pas préciser de manière positive les limites si la nouvelle conception de la batterie est très différente des précédentes. Le cadre n'est pas magique :si la connaissance du domaine dont vous disposez actuellement est très différente d'une nouvelle conception, comment pouvez-vous faire une prédiction ?

Nous n’avons pas obtenu de méthodologie pour quantifier ces questions – cela sort du cadre de ce travail. Mais je pense que cela vaut la peine d'aller plus loin. Par exemple, notre étude ne couvre que les batteries au lithium traditionnelles et n'inclut pas certaines des technologies les plus avancées comme celles à semi-conducteurs ou au lithium-métal.

Notes techniques : Donc, vous couvrez uniquement les batteries lithium-ion standard ?

Chanson : Exactement. Actuellement, la plupart des produits utilisent des batteries lithium-ion standard. Mais même pour les cellules de batterie au lithium couramment utilisées, lorsque vous avez de nouvelles conceptions, un fabricant de véhicules électriques ou un fabricant de batteries effectuera des tests pendant un an pour chaque conception. Notre outil est donc très utile en ce moment. Mais la limite est de savoir quoi faire lorsque nous avons des conceptions très différentes.

Notes techniques : Vous avez également mentionné l’analyse basée sur la physique. Qu'est-ce que ça veut dire ?

Chanson : Cela signifie que nous utilisons un modèle basé sur la physique – ce qu’on appelle le modèle du premier principe. Par exemple, certaines équations physiques très basiques comme l'équation de diffusion de la loi de Fick. En utilisant ceux-ci, nous pouvons générer des fonctionnalités physiquement interprétables. Par exemple, dans de nombreux articles précédents, ils utilisent simplement des caractéristiques dérivées de mesures de tension et de courant, mais ils ne connaissent pas la signification physique spécifique de ces caractéristiques.

En incorporant une modélisation physique à l'étalonnage des paramètres, basée sur le paramètre suivant une certaine tendance, je peux vous expliquer soit pourquoi la cellule de votre batterie est suffisamment durable, soit qu'il existe peut-être un certain type de mécanisme de dégradation. Cela rendra la prédiction plus fiable et plus explicable.

Si vous utilisez uniquement l'apprentissage automatique et que vous ne prêtez pas attention à la physique, l'ensemble de données sur lequel vous entraînez votre modèle d'apprentissage automatique peut vous donner une prédiction qui peut fonctionner dans 95 % des cas. Mais cela signifie que même si cela fonctionne pour vous, cela pourrait ne pas fonctionner pour moi. Et si cela ne fonctionne pas pour moi, cela peut me donner une prédiction ridicule, incompatible avec la physique, et ce n'est pas tolérable en pratique. En ce qui concerne la précision, une erreur d’un pour cent est probablement acceptable, peut-être même une erreur de deux pour cent. Je veux juste vous donner des estimations fiables, pas des estimations ridicules ou folles.

Notes techniques : Comment saisissez-vous les paramètres physiques dans votre système ?

Chanson : Nous avons un modèle indiquant la réponse du système. Je sais que les paramètres ont une relation avec la réponse. Nous utilisons donc notre interpréteur pour obtenir une distribution statistique de ces paramètres, car il est très difficile de calibrer avec précision un si grand nombre de paramètres. Pour une bonne conception et un ensemble de données existants, vous effectuez simplement l'étalonnage des paramètres, la distribution, et vous essayez de cartographier la distribution et les tendances de vos paramètres sur la durée de vie des cellules de votre batterie. Parce que pour la conception de batterie existante, puisque vous disposez de toutes les données de test du cycle de vie, vous pouvez voir les relations réelles. Nous essayons ensuite de tirer parti de ce type de relation pour nos nouvelles conceptions de batteries.

Notes techniques : Quelles sont vos prochaines étapes ?

Chanson : Mon plan concernant ce travail est de comprendre les limites du cadre. Nous ne pouvons tester que des modèles de batteries limités, pas tous. À l’heure actuelle, nous parlons de batteries à semi-conducteurs, de batteries au lithium métal, de batteries au lithium-soufre et autres, et elles ont toutes des compositions chimiques différentes. Nous voulons donc 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 apporter des changements car les différentes compositions chimiques des batteries auront une physique interne très différente.

Pour les utilisateurs de batteries, l’élément 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 afin d'améliorer ses performances pour la modélisation des batteries à semi-conducteurs.