Predicción de Vida de Batería Impulsada por IA Mejora Validación de Nuevos Diseños

La herramienta de IA 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)

Tech Briefs: ¿Qué le motivó a iniciar este proyecto?

Ziyou Song: He trabajado tanto en academia como en industria, así que conozco el punto de dolor respecto a pruebas y validación de baterías. Cuando tenemos un nuevo diseño de batería, aunque no sea muy diferente del anterior, siempre hacemos todas las pruebas de laboratorio bajo condiciones similares. Eso costará al menos seis meses y consumirá mucha energía. Así que, si tenemos un nuevo diseño que no es demasiado diferente, nos preguntábamos si podríamos usar esos conjuntos de datos previos. ¿Podríamos aprovechar el conocimiento y patrones de datos del diseño previo para predecir la vida útil de nuestro nuevo diseño? Eso ahorraría mucho tiempo y energía.

Estamos viendo este problema desde una perspectiva de 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 usar la menor cantidad posible de datos para lograr un rendimiento de predicción mejor o similar?

Tech Briefs: ¿Cómo lidian con el hecho de que el diseño de la batería no es el mismo que el anterior?

Song: 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 conocimiento. Por ejemplo, aprendemos muchas cosas aproximadamente por observación, 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 mapearlo a celdas de baterías existentes para ver cómo podemos usar sus conjuntos de datos para nuestro nuevo diseño, así podemos hacer una predicción de vida útil sin pruebas prolongadas.

Probamos el nuevo diseño para observar sus parámetros iniciales y cómo evolucionan durante las primeras varias docenas de ciclos. Luego intentamos mapear este patrón a baterías previas 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.

Tech Briefs: Dice que usan energía significativa al probar baterías. ¿Es porque las prueban bajo carga?

Song: Sí, exactamente. Cuando probamos nuestras celdas de batería, específicamente para pruebas de ciclos de laboratorio, tenemos que cargar y descargar muchas, muchas veces, por ejemplo, 1,000 ciclos, 2,000 ciclos, lo que consumirá mucha energía. Así que, si puedes hacer solo 50 ciclos, eso puede ahorrar mucho.

No solo validamos sobre menos ciclos sino también validamos menos celdas. Por ejemplo, anteriormente, porque querías cubrir diferentes condiciones de operación, tenías que usar quizás 100 celdas, 100 canales para probar bajo diferentes condiciones. Pero ahora, solo necesitamos cubrir algunas de ellas —por ejemplo, 10 celdas, 10 condiciones de operación, 50 ciclos. Así que ahorramos energía tanto por tiempos de ciclado más cortos como probando menos celdas de batería.

Tech Briefs: ¿Cuáles son algunas de las condiciones que prueban?

Song: La temperatura es una métrica muy importante. Otra es cómo usamos nuestras baterías. Por ejemplo, si tú tienes un celular y yo tengo un celular, probablemente los usamos de formas muy diferentes. Yo quiero cargar mi teléfono todo el tiempo, así que mi batería se degrada muy rápido. Pero si tú solo usas tu celular en el medio del rango de estado de carga (SOC), probablemente durará más. Como diferentes personas usan una batería de manera diferente, queremos cubrir tantas condiciones como sea posible.

Tech Briefs: Leí que hay tres componentes en su sistema: aprendiz, intérprete y oráculo. ¿Los describiría por favor?

Song: Esos son los tres componentes de nuestro aprendizaje por descubrimiento. El primero es el aprendiz —el que hace la pregunta, que decide qué diseños de celdas y prototipos probar. El aprendiz pasará la orden al intérprete, que aprovechará los datos de prueba de ciclos tempranos para construir un espacio de características que consiste en parámetros físicos, es decir, características, que luego pueden ser interpretados por un experto en baterías. Así que no solo usamos algunas características estadísticas sin sentido; usamos características que pueden ser interpretadas por un ingeniero o científico de baterías. Luego el intérprete proporcionará estas características al oráculo. El oráculo hará el llamado aprendizaje de cero disparos (zero-shot learning), que solo significa que predice la vida útil de nuevos diseños de baterías sin experimentos adicionales. El oráculo pasará entonces sus resultados de predicción de vuelta al aprendiz, que confiará en estos resultados y aprenderá de ellos. Después de varias ejecuciones, el aprendiz estará equipado para predecir nuevos diseños de baterías por sí mismo. Y finalmente, el aprendiz y el oráculo juntos harán predicciones para todas las muestras de baterías.

Tech Briefs: Profesor Song, dijo que eligen baterías para aprender que tenían patrones similares a lo que están haciendo ahora. ¿Cómo eligen qué baterías usar como modelos?

Song: Es principalmente del intérprete. Por ejemplo, cuando tenemos el conjunto de parámetros en evolución del nuevo diseño, podemos mapearlo a un diseño de batería previo para ver cómo se comparan los patrones. Y también aprovechamos el oráculo porque está entrenado usando diseños previos. Además, el intérprete puede decirnos sobre los parámetros de interés para nosotros. Por ejemplo, si pensamos que hay 11 o 14 parámetros que son muy importantes para la vida útil de la batería, usamos 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, así que tenemos que iterar para reducir la incertidumbre y obtener mejores resultados con el tiempo.

Como sabemos que no es tan preciso, hacemos una segunda ronda desde el aprendiz. Obtengo los resultados y me dices la vida útil de los tres diseños de baterías que he seleccionado. Pero todavía estoy inseguro sobre ciertos diseños o condiciones de prueba. Así que podría elegir dos celdas más y repetir el procedimiento una vez más —así es como aprende la gente. Iteramos para diferentes condiciones.

Tech Briefs: Una vez que llegan a su predicción, ¿cómo demuestran que tienen razón?

Song: Entonces, en la primera ronda para baterías nuevas, elegimos condiciones de prueba representativas intuitivamente. Por ejemplo, nos importa el rendimiento a baja temperatura, alta temperatura, temperatura media, alta tasa de descarga y baja tasa de descarga. En la segunda ronda, tenemos algunos datos cuantitativos para ayudarnos a elegir más celdas. Luego usamos regresión de proceso gaussiano para darnos la incertidumbre de las predicciones. Luego elegimos las predicciones más inciertas y ejecutamos esas condiciones de nuevo para confirmar las predicciones originales.

Esto es práctica común en el campo, así que la mayoría confía en ello. Sin embargo, recibimos un comentario cuando publicamos nuestro artículo preguntando cómo podemos confirmar que nuestra cuantificación de incertidumbre es correcta. Hay diferentes métodos, para ser honesto, y aunque no probamos todos, planeamos hacerlo en el futuro.

Tech Briefs: Supongamos que un fabricante de baterías está interesado en sus resultados. ¿Confiará lo suficiente para empezar a fabricar baterías en una línea de montaje basándose en su predicción?

Song: Buena pregunta. Creo que sí, al menos para una empresa de baterías con la que hemos colaborado casi cuatro años. Y en nuestra colaboración, ellos proporcionan todos los datos. Hemos estado discutiendo los resultados con sus ingenieros, y creen que los resultados son confiables. Así que, si tienen un nuevo diseño de batería, especialmente para uno que no es muy diferente de un diseño previo, nuestro marco puede funcionar.

Pero también quiero señalar las limitaciones de nuestro estudio, que es muy importante. Por ejemplo, no podemos especificar positivamente las limitaciones si el nuevo diseño de batería es muy diferente de los anteriores. El marco no es magia —si el conocimiento de dominio que tienes ahora es muy diferente 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 baterías de litio tradicionales y no incluye algunas de las tecnologías más avanzadas como estado sólido o litio-metal.

Tech Briefs: Entonces, solo cubren baterías de iones de litio estándar?

Song: Exactamente. Actualmente, la mayoría de productos usan baterías de iones de litio estándar. Pero incluso para celdas de batería de litio comúnmente usadas, cuando tienes nuevos diseños, una empresa de vehículos eléctricos o de baterías hará pruebas de un año para cada diseño. Así que nuestra herramienta es muy útil ahora. Pero la limitación es qué hacer cuando tenemos diseños muy diferentes.

Tech Briefs: También mencionó análisis basado en física. ¿Qué significa eso?

Song: Significa que hacemos uso de un modelo basado en física —un modelo llamado de primeros principios. Por ejemplo, algunas ecuaciones físicas muy básicas como la ecuación de difusión de Fick. Usando estas, podemos generar características que son físicamente interpretables. Por ejemplo, en muchos artículos previos, solo usan características derivadas de mediciones de voltaje y corriente, pero no conocen el significado físico específico de esas características.

Al incorporar modelado físico junto con calibración de parámetros, basado en el parámetro siguiendo una cierta tendencia, puedo decirte por qué tu celda de batería es lo suficientemente duradera, o que puedes tener algún tipo de mecanismo de degradación. Hará la predicción más confiable y más explicable.

Si solo usas aprendizaje automático y no prestas atención a la física, el conjunto de datos con el que entrenas tu modelo de aprendizaje automático podría darte una predicción que funcione para el 95 por ciento de los casos. Pero eso significa que, aunque tal vez funcione para ti, podría no funcionar para mí. Y si no funciona para mí, puede darme una predicción ridícula, inconsistente con la física, y eso no es tolerable en la práctica. Respecto a la precisión, probablemente un error del uno por ciento está bien, tal vez incluso dos por ciento. Solo quiero darte estimaciones confiables, no estimaciones ridículas, locas.

Tech Briefs: ¿Cómo ingresan los parámetros físicos en su sistema?

Song: Tenemos un modelo que indica la respuesta del sistema. Sé que los parámetros tienen una relación con la respuesta. Así que usamos nuestro intérprete para obtener una distribución estadística de esos parámetros, porque es muy difícil calibrar un número tan grande de parámetros con precisión. Para un diseño existente bueno y conjunto de datos, solo haces la calibración de parámetros, la distribución, e intentas mapear tu distribución de parámetros y tendencias a la vida útil de tus celdas de batería. Porque para el diseño de batería existente, como tienes los datos de prueba de todo el ciclo de vida, puedes ver las relaciones reales. Luego intentamos aprovechar este tipo de relación para nuestros nuevos diseños de baterías.

Tech Briefs: ¿Cuáles son sus próximos pasos?

Song: Mi plan respecto a este trabajo es averiguar las limitaciones del marco. Solo podemos probar diseños de baterías limitados, no cada uno. Ahora mismo, hablamos de baterías de estado sólido, litio-metal, litio-azufre y otras, y todas tienen diferentes químicas. Así que queremos ver si este marco puede funcionar bien para nuevos tipos de baterías. Si no, queremos explorar qué necesitamos hacer. Creo que el marco seguirá funcionando bien, pero tendremos que hacer cambios porque diferentes químicas de baterías tendrán físicas internas muy diferentes.

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