人工智能驱动的电池寿命预测增强了新设计的验证

密歇根大学构建的人工智能工具利用早期电池的测试来预测新设计的性能。 （图片来源：Xin Zou，威斯康星大学麦迪逊分校）

技术简介： 是什么促使您开始这个项目？

宋子游： 我一直在学术界和工业界工作，所以我知道电池测试和验证存在一个痛点。当我们有了新的电池设计时，即使它与以前的电池没有太大不同，我们总是在类似的条件下进行所有实验室测试。这将花费至少六个月的时间并消耗大量能源。因此，如果我们有一个不太不同的新设计，我们想知道是否可以使用以前的数据集。我们可以利用先前设计的知识和数据模式来预测新设计的寿命吗？这样可以节省大量的时间和精力。

我们从科学人工智能的角度来看待这个问题，这是一个新兴领域——科学预测是最重要的问题之一。我们特别关注机器学习方法的成本效益。如何使用尽可能少的数据来达到更好或相似的预测性能。

技术简介： 电池设计与之前的不一样，你们如何处理？

歌曲： 对于这个问题，我们要深入研究一下我们的具体框架。我们利用几十年前的一项研究中的概念来模仿人类如何感知世界并获取知识。例如，我们通过观察粗略地学习很多东西，通过上课准确地学习，或者通过询问别人来学习。我们的框架利用了一种称为发现学习的教学方法。当我们有了新的电池设计时，我们希望将其映射到现有的电池单元，以了解如何将其数据集用于我们的新设计，这样我们就可以在无需长时间测试的情况下进行寿命预测。

我们测试新设计以观察其初始参数以及它们在前几十个周期中如何演变。然后我们尝试将这种模式映射到以前的电池，因为我们拥有它们的完整数据集。如果我们看到类似的图案，我们就知道我们的新设计与之前的设计相似。然后，我们可以利用这些知识、数据模式来预测新电池的使用寿命。

技术简介： 您说测试电池时会消耗大量能量。这是因为您在负载下测试电池吗？

歌曲： 是的，完全正确。我们在测试电芯的时候，特别是实验室循环测试，我们要充放电很多很多次，比如说1000次、2000次，这会消耗很多能量。所以，如果你只能做 50 个周期，那就可以节省很多。

我们不仅验证更少的周期，而且验证更少的单元。例如，以前，因为您想要覆盖不同的操作条件，您可能必须使用 100 个单元、100 个通道来在不同条件下进行测试。但现在，我们只需要涵盖其中的一些——例如，10 个电池、10 个操作条件、50 个循环。因此，我们通过缩短循环时间和测试更少的电池来节省能源。

技术简介： 您测试的一些条件是什么？

歌曲： 温度是一个非常重要的指标。另一个是我们如何使用电池。例如，如果你有一部手机，我也有一部手机，我们使用它们的方式可能会非常不同。我想一直给手机充满电，所以我的手机电池退化得很快。但如果您只是在充电状态 (SOC) 范围的中间使用手机，它的使用寿命可能会更长。由于不同的人使用电池的方式不同，因此我们希望涵盖尽可能多的条件。

技术简介： 我读到你们的系统由三个组成部分：学习器、解释器和预言机。请您描述一下这些内容吗？

歌曲： 这些是我们发现学习的三个组成部分。第一个是学习者——提出问题的人，决定要测试哪些单元设计和单元原型的人。学习者将命令传递给解释器，解释器将利用早期循环测试数据构建一个由物理参数（即特征）组成的特征空间，然后可由电池专家进行解释。所以，我们不只是使用一些无意义的统计特征；我们正在使用电池工程师或科学家可以解释的功能。然后解释器会将这些功能提供给预言机。预言机将进行所谓的零样本学习，这意味着它无需额外的实验即可预测新电池设计的寿命。然后，预言机会将其预测结果传递回学习器，学习器将信任这些结果并从中学习。经过多次运行后，学习者将能够自行预测新的电池设计。最后，学习器和预言机将共同对所有电池样本进行预测。

技术简介： 宋教授，您说您选择电池来学习，与您现在正在做的事情有相似的模式。您如何选择使用哪种电池作为您的型号？

歌曲： 主要来自口译员。例如，当我们有了新设计的不断演变的参数集时，我们可以将其映射到以前的电池设计，以查看这些模式的比较情况。我们还利用预言机，因为它是使用以前的设计进行训练的。此外，解释器可以告诉我们我们感兴趣的参数。例如，如果我们认为有 11 或 14 个参数对电池寿命非常重要，我们会使用解释器从初始测试数据中获取这些参数。

然后，我们利用预言机将这些参数集作为输入并预测我们设计的生命周期。当然，预言机无法在第一轮就给我们精确的结果，因此我们必须不断迭代以减少不确定性，并随着时间的推移获得更好的结果。

因为我们知道这不太准确，所以我们从学习器中进行第二次运行。我得到结果，你告诉我我选择的三种电池设计的使用寿命。但我仍然不确定某些设计或测试条件。所以，我可能会再选择两个细胞并再次重做该过程——这就是人们学习的方式。我们针对不同的条件进行迭代。

技术简介： 一旦你做出了你的预测，你如何证明你是正确的？

歌曲： 所以，在新电池的第一轮测试中，我们直观地选择了有代表性的测试条件。例如，我们关心低温性能、高温性能、中温性能、高放电倍率和低放电倍率。在第二轮中，我们有一些定量数据来帮助我们选择更多的细胞。然后，我们使用高斯过程回归来给出预测的不确定性。然后我们选择最不确定的预测并再次运行这些条件以确认原始预测。

这是该领域的常见做法，因此大多数人都信任它。然而，当我们发表论文时，我们收到了一条评论，询问我们如何确认我们的不确定性量化是正确的？老实说，方法有很多种，虽然我们没有尝试所有方法，但我们计划将来这样做。

技术简介： 假设电池制造商对您的结果感兴趣。他会足够信任你，根据你的预测开始在装配线上制造电池吗？

歌曲： 这是个好问题。我认为是这样，至少对于我们已经合作了近四年的一家电池公司来说是这样。在我们的合作中，他们向我们提供所有数据。我们一直在和他们的工程师讨论结果，他们认为结果是值得信赖的。因此，如果他们有新的电池设计，特别是与以前的设计没有太大区别的电池设计，我们的框架就可以工作。

但我也想指出我们研究的局限性，这一点非常重要。例如，如果新的电池设计与以前的电池设计有很大不同，我们就无法明确指出其限制。框架并不神奇——如果你现在拥有的领域知识与新设计有很大不同，你如何做出预测？

我们还没有获得量化这些问题的方法——这超出了这项工作的范围。但我认为值得更进一步。例如，我们的研究仅涵盖传统的锂电池，不包括一些更先进的技术，如固态或锂金属。

技术简介： 那么，您只是涵盖标准锂离子电池？

歌曲： 正是如此。目前，大多数产品使用标准锂离子电池。但即使是常用的锂电池，当你有新的设计时，电动汽车公司或电池公司也会对每个设计进行一年的测试。所以，我们的工具现在非常有用。但限制是当我们有非常不同的设计时该怎么办。

技术简介： 您还提到了基于物理的分析。这是什么意思？

歌曲： 这意味着我们利用基于物理的模型——所谓的第一原理模型。例如，一些非常基本的物理方程，如菲克定律扩散方程。使用这些，我们可以生成物理上可解释的特征。例如，在之前的许多论文中，他们只是使用由电压和电流测量得出的特征，但他们不知道这些特征的具体物理含义。

通过将物理建模与参数校准相结合，根据遵循某种趋势的参数，我可以告诉您为什么您的电池足够耐用，或者您可能有某种类型的退化机制。这将使预测更可信、更可解释。

如果您只使用机器学习，而不关注物理，那么您训练机器学习模型的数据集可能会为您提供适用于 95% 情况的预测。但这意味着，虽然它可能对你有用，但可能对我不起作用。如果它对我不起作用，它可能会给我一个荒谬的预测，与物理学不一致，这在实践中是不能容忍的。至于准确度，百分之一的误差可能就可以了，甚至百分之二的误差也可以。我只是想给你可靠的估计，而不是荒谬的、疯狂的估计。

技术简介： 如何将物理参数输入到系统中？

歌曲： 我们有一个指示系统响应的模型。我知道参数和响应有关系。因此，我们使用解释器来获取这些参数的统计分布，因为精确校准如此大量的参数非常困难。对于现有的良好设计和数据集，您只需进行参数校准和分布，然后尝试将参数分布和趋势映射到电池的使用寿命。因为对于现有的电池设计，既然你有全生命周期的测试数据，你就可以看到实际的关系。然后我们尝试利用这种关系来设计新的电池。

技术简介： 您的下一步计划是什么？

歌曲： 我对这项工作的计划是找出框架的局限性。我们只能测试有限的电池设计，而不是每一种。现在，我们谈论的是固态电池、锂金属、锂硫电池等，它们都有不同的化学成分。因此，我们想看看这个框架是否可以很好地适用于新型电池。如果没有，我们想探索我们需要做什么。我认为该框架仍然可以很好地工作，但我们必须做出改变，因为不同的电池化学成分将具有非常不同的内部物理特性。

对于电池人来说，最重要的组件就是解释器。我们在这个领域有很多事情要做。例如，我们可以增强基于物理的建模，以提高其固态电池建模的性能。