La previsión de duración de la batería basada en IA mejora la validación del nuevo diseño

La herramienta de inteligencia artificial construida en la Universidad de Michigan se basa en pruebas de baterías anteriores para predecir el rendimiento de nuevos diseños. (Imagen:Xin Zou, Universidad de Wisconsin-Madison)

Resúmenes técnicos: ¿Qué te motivó a iniciar este proyecto?

Canción de Ziyou: He trabajado tanto en el mundo académico como en la industria, por lo que sé que existe un problema con respecto a las pruebas y validación de baterías. Cuando tenemos un nuevo diseño de batería, aunque no sea tan diferente al anterior, siempre hacemos todas las pruebas de laboratorio en condiciones similares. Esto costará al menos seis meses y consumirá mucha energía. Entonces, si tenemos un nuevo diseño que no es muy diferente, nos preguntamos si podríamos usar esos conjuntos de datos anteriores. ¿Podríamos aprovechar los patrones de conocimiento y datos del diseño anterior para predecir la vida útil de nuestro nuevo diseño? Eso ahorraría mucho tiempo y energía.

Estamos analizando este problema desde la perspectiva de la IA para la ciencia, que es un campo emergente; la predicción científica es uno de los problemas más importantes. Nos centramos específicamente en la rentabilidad del método de aprendizaje automático. ¿Cómo podemos utilizar la menor cantidad de datos posible para lograr un rendimiento de predicción mejor o similar?

Resúmenes técnicos: ¿Cómo afrontáis el hecho de que el diseño de la batería no sea el mismo que el anterior?

Canción: Para esta pregunta, tenemos que profundizar en nuestro marco específico. Aprovechamos un concepto de un estudio de hace varias décadas para imitar cómo los seres humanos perciben el mundo y adquieren conocimientos. Por ejemplo, aprendemos muchas cosas de forma aproximada mediante nuestras observaciones, con precisión tomando clases o preguntando a otros. Nuestro marco aprovecha un enfoque de enseñanza llamado aprendizaje por descubrimiento. Cuando tenemos un nuevo diseño de batería, queremos asignarlo a las celdas de batería existentes para ver cómo podemos usar sus conjuntos de datos para nuestro nuevo diseño, de modo que podamos hacer una predicción de vida útil sin pruebas prolongadas.

Probamos el nuevo diseño para observar sus parámetros iniciales y cómo evolucionan durante las primeras docenas de ciclos. Luego intentamos asignar este patrón a baterías anteriores porque tenemos los conjuntos de datos completos para ellas. Si vemos patrones similares, sabemos que nuestro nuevo diseño es similar al anterior. Luego podemos aprovechar ese conocimiento, los patrones de datos, para predecir la vida útil de nuestra nueva batería.

Resúmenes técnicos: Dice que utiliza una cantidad significativa de energía cuando prueba las baterías. ¿Eso es porque pruebas las baterías bajo carga?

Canción: Sí, exactamente. Cuando probamos las celdas de nuestra batería, específicamente para las pruebas de ciclo de laboratorio, tenemos que cargar y descargar muchas, muchas veces, por ejemplo, 1000 ciclos, 2000 ciclos, lo que consumirá mucha energía. Entonces, si puedes hacer solo 50 ciclos, puedes ahorrar mucho.

No solo validamos en menos ciclos sino que también validamos menos células. Por ejemplo, anteriormente, como quería cubrir diferentes condiciones operativas, tendría que usar quizás 100 celdas, 100 canales para realizar pruebas en diferentes condiciones. Pero ahora sólo necesitamos cubrir algunos de ellos:por ejemplo, 10 células, 10 condiciones de funcionamiento, 50 ciclos. Por lo tanto, ahorramos energía gracias a tiempos de ciclo más cortos y también al probar menos celdas de batería.

Resúmenes técnicos: ¿Cuáles son algunas de las condiciones que usted examina?

Canción: La temperatura es una métrica muy importante. Otra es cómo usamos nuestras baterías. Por ejemplo, si tú tienes un móvil y yo tengo un móvil, probablemente los estemos usando de formas muy diferentes. Quiero cargar completamente mi teléfono todo el tiempo, por eso la batería de mi teléfono celular se degrada muy rápidamente. Pero si solo usa su teléfono celular en el medio del rango de estado de carga (SOC), probablemente durará más. Dado que diferentes personas usan una batería de manera diferente, queremos cubrir tantas condiciones como sea posible.

Resúmenes técnicos: Leí que hay tres componentes de su sistema:alumno, intérprete y oráculo. ¿Podrías describirlos, por favor?

Canción: Esos son los tres componentes de nuestro aprendizaje por descubrimiento. El primero es el alumno:el que hace la pregunta, el que decide qué diseños y prototipos de células probar. El alumno pasará el comando al intérprete, que aprovechará los datos de las primeras pruebas de ciclo para crear un espacio de características que consta de parámetros físicos, es decir, características, que luego pueden ser interpretadas por un experto en baterías. Por lo tanto, no estamos utilizando simplemente algunas características estadísticas sin sentido; Estamos utilizando características que pueden ser interpretadas por un ingeniero o científico de baterías. Luego, el intérprete proporcionará estas características al oráculo. El oráculo realizará el llamado aprendizaje de disparo cero, lo que simplemente significa que predice la vida útil de nuevos diseños de baterías sin experimentos adicionales. Luego, el oráculo pasará los resultados de su predicción al alumno, quien confiará en estos resultados y aprenderá de ellos. Después de varias ejecuciones, el alumno estará capacitado para predecir nuevos diseños de baterías por sí mismo. Y finalmente, el alumno y el oráculo harán juntos predicciones para todas las muestras de batería.

Resúmenes técnicos: Profesor Song, usted dijo que elige baterías para aprender y que tienen patrones similares a lo que está haciendo ahora. ¿Cómo eliges qué baterías usar como tus modelos?

Canción: Es principalmente del intérprete. Por ejemplo, cuando tenemos el conjunto de parámetros en evolución del nuevo diseño, podemos asignarlo a un diseño de batería anterior para ver cómo se comparan los patrones. Y también aprovechamos el oráculo porque se entrena utilizando diseños previos. Además, el intérprete puede informarnos sobre los parámetros que nos interesan. Por ejemplo, si creemos que hay 11 o 14 parámetros que son muy importantes para la vida útil de la batería, utilizamos el intérprete para obtener esos parámetros de nuestros datos de prueba iniciales.

Luego aprovechamos el oráculo para tomar estos conjuntos de parámetros como entradas y predecir la vida útil de nuestro diseño. Pero, por supuesto, el oráculo no puede darnos resultados precisos en la primera ronda, por lo que tenemos que iterar para reducir la incertidumbre y obtener mejores resultados con el tiempo.

Como sabemos que eso no es demasiado exacto, hacemos una segunda ejecución desde el alumno. Recibo los resultados y me dices la vida útil de los tres diseños de batería que he seleccionado. Pero todavía no estoy seguro acerca de ciertos diseños o condiciones de prueba. Entonces, podría elegir dos celdas más y rehacer el procedimiento una vez más; así es como la gente aprende. Repetimos para diferentes condiciones.

Resúmenes técnicos: Una vez que haces tu predicción, ¿cómo demuestras que tienes razón?

Canción: Así, en la primera ronda de baterías nuevas, elegimos intuitivamente las condiciones de prueba representativas. Por ejemplo, nos preocupamos por el rendimiento a baja temperatura, el rendimiento a alta temperatura, el rendimiento a temperatura media, la alta tasa de descarga y la baja tasa de descarga. En la segunda ronda, tenemos algunos datos cuantitativos que nos ayudarán a elegir más celdas. Luego utilizamos el proceso de regresión gaussiano para obtener la incertidumbre de las predicciones. Luego elegimos las predicciones más inciertas y ejecutamos esas condiciones nuevamente para confirmar las predicciones originales.

Esta es una práctica común en el campo, por lo que la mayoría de la gente confía en ella. Sin embargo, recibimos un comentario cuando publicamos nuestro artículo preguntándonos cómo podemos confirmar que nuestra cuantificación de la incertidumbre es correcta. Para ser honesto, existen diferentes métodos y, aunque no los probamos todos, planeamos hacerlo en el futuro.

Resúmenes técnicos: Supongamos que un fabricante de baterías está interesado en sus resultados. ¿Confiará en ti lo suficiente como para empezar a fabricar baterías en una línea de montaje según tu predicción?

Canción: Esa es una buena pregunta. Creo que sí, al menos para una empresa de baterías con la que colaboramos desde hace casi cuatro años. Y en nuestra colaboración, ellos nos facilitan todos los datos. Hemos estado discutiendo los resultados con sus ingenieros y ellos creen que son confiables. Entonces, si tienen un nuevo diseño de batería, especialmente una que no es muy diferente de un diseño anterior, nuestro marco puede funcionar.

Pero también quiero señalar las limitaciones de nuestro estudio, lo cual es muy importante. Por ejemplo, no podemos especificar positivamente las limitaciones si el nuevo diseño de la batería es muy diferente a las anteriores. El marco no es mágico:si el conocimiento del dominio que tienes ahora es muy diferente al de un nuevo diseño, ¿cómo puedes hacer una predicción?

No hemos obtenido una metodología para cuantificar estas preguntas; está fuera del alcance de este trabajo. Pero creo que vale la pena ir más allá. Por ejemplo, nuestro estudio solo cubre las baterías de litio tradicionales y no incluye algunas de las tecnologías más avanzadas como las de estado sólido o las de litio metálico.

Resúmenes técnicos: Entonces, ¿solo estás cubriendo las baterías estándar de iones de litio?

Canción: Exacto. Actualmente, la mayoría de los productos utilizan baterías estándar de iones de litio. Pero incluso para las celdas de baterías de litio de uso común, cuando tenga nuevos diseños, una empresa de vehículos eléctricos o de baterías realizará pruebas de un año para cada diseño. Entonces, nuestra herramienta es muy útil en este momento. Pero la limitación es qué hacer cuando tenemos diseños muy diferentes.

Resúmenes técnicos: También mencionaste el análisis basado en la física. ¿Qué significa eso?

Canción: Significa que utilizamos un modelo basado en la física, el llamado modelo del primer principio. Por ejemplo, algunas ecuaciones físicas muy básicas como la ecuación de difusión de la ley de Fick. Utilizándolos, podemos generar características que sean físicamente interpretables. Por ejemplo, en muchos artículos anteriores, simplemente utilizan características derivadas de mediciones de voltaje y corriente, pero no conocen el significado físico específico de esas características.

Al incorporar modelado físico junto con la calibración de parámetros, basado en el parámetro que sigue una determinada tendencia, puedo decirle por qué la celda de su batería es lo suficientemente duradera o que puede tener algún tipo de mecanismo de degradación. Hará que la predicción sea más confiable y más explicable.

Si solo usa el aprendizaje automático y no presta atención a la física, el conjunto de datos con el que entrena su modelo de aprendizaje automático podría brindarle una predicción que puede funcionar en el 95 por ciento de los casos. Pero eso significa que, aunque tal vez funcione para ti, puede que no funcione para mí. Y si no me funciona, puede darme una predicción ridícula, inconsistente con la física, y eso no es tolerable en la práctica. En cuanto a la precisión, probablemente un error del uno por ciento esté bien, tal vez incluso un error del dos por ciento. Sólo quiero darles estimaciones fiables, no estimaciones ridículas ni locas.

Resúmenes técnicos: ¿Cómo se introducen los parámetros físicos en el sistema?

Canción: Disponemos de un modelo que indica la respuesta del sistema. Sé que los parámetros tienen relación con la respuesta. Entonces, usamos nuestro intérprete para obtener una distribución estadística de esos parámetros, porque es muy difícil calibrar con precisión una cantidad tan grande de parámetros. Para un buen diseño y conjunto de datos existente, simplemente realiza la calibración de parámetros, la distribución e intenta mapear la distribución y las tendencias de sus parámetros con la vida útil de las celdas de su batería. Porque para el diseño de batería existente, dado que tiene todos los datos de prueba del ciclo de vida, puede ver las relaciones reales. Luego intentamos aprovechar este tipo de relación para nuestros nuevos diseños de baterías.

Resúmenes técnicos: ¿Cuáles son tus próximos pasos?

Canción: Mi plan con respecto a este trabajo es descubrir las limitaciones del marco. Solo podemos probar diseños de baterías limitados, no todos. En este momento, estamos hablando de baterías de estado sólido, de litio metálico, de litio y azufre y otras, y todas tienen diferentes químicas. Por eso queremos ver si este marco puede funcionar bien para nuevos tipos de baterías. Si no, queremos explorar lo que debemos hacer. Creo que el marco seguirá funcionando bien, pero tendremos que hacer cambios porque las diferentes químicas de las baterías tendrán una física interna muy diferente.

Para los expertos en baterías, el componente más importante es el intérprete. Tenemos muchas cosas que hacer en este campo. Por ejemplo, podemos mejorar nuestro modelado basado en la física para mejorar su rendimiento en el modelado de baterías de estado sólido.