Perkiraan Masa Pakai Baterai Berbasis AI Meningkatkan Validasi Desain Baru

Alat AI yang dibuat di Universitas Michigan mengacu pada pengujian baterai sebelumnya untuk memprediksi kinerja desain baru. (Gambar:Xin Zou, Universitas Wisconsin-Madison)

Ringkasan Teknologi: Apa yang memotivasi Anda untuk memulai proyek ini?

Lagu Ziyou: Saya telah bekerja di dunia akademis dan industri, jadi saya tahu ada kendala terkait pengujian dan validasi baterai. Saat kami memiliki desain baterai baru, meski tidak jauh berbeda dengan sebelumnya, kami selalu melakukan semua pengujian lab dalam kondisi serupa. Itu akan memakan biaya setidaknya enam bulan dan menghabiskan banyak energi. Jadi, jika kami memiliki desain baru yang tidak terlalu berbeda, kami bertanya-tanya apakah kami bisa menggunakan dataset sebelumnya. Bisakah kita memanfaatkan pengetahuan dan pola data dari desain sebelumnya untuk memprediksi masa pakai desain baru kita? Itu akan menghemat banyak waktu dan tenaga.

Kami melihat masalah ini dari perspektif AI untuk sains, yang merupakan bidang yang sedang berkembang — prediksi ilmiah adalah salah satu masalah yang paling penting. Kami secara khusus berfokus pada efektivitas biaya metode pembelajaran mesin. Bagaimana kita dapat menggunakan data seminimal mungkin untuk mencapai performa prediksi yang lebih baik atau serupa.

Ringkasan Teknologi: Bagaimana menyikapi desain baterai yang tidak sama dengan sebelumnya?

Lagu: Untuk pertanyaan ini, kita harus mempelajari kerangka spesifik kita. Kami memanfaatkan konsep dari penelitian beberapa dekade lalu untuk meniru cara manusia memandang dunia dan memperoleh pengetahuan. Misalnya, kita mempelajari banyak hal secara kasar melalui pengamatan kita, secara akurat dengan mengikuti kelas, atau dengan bertanya kepada orang lain. Kerangka kerja kami memanfaatkan pendekatan pengajaran yang disebut pembelajaran penemuan. Saat kami memiliki desain baterai baru, kami ingin memetakannya ke sel baterai yang ada untuk melihat bagaimana kami dapat menggunakan kumpulan datanya untuk desain baru, sehingga kami dapat membuat prediksi seumur hidup tanpa pengujian yang berkepanjangan.

Kami menguji desain baru untuk mengamati parameter awalnya dan bagaimana perubahannya selama beberapa lusin siklus pertama. Kemudian kami mencoba memetakan pola ini ke baterai sebelumnya karena kami memiliki kumpulan data yang lengkap. Jika kami melihat pola serupa, kami tahu desain baru kami mirip dengan desain sebelumnya. Kami kemudian dapat memanfaatkan pengetahuan tersebut, pola data, untuk memprediksi masa pakai baterai baru kami.

Ringkasan Teknologi: Anda mengatakan bahwa Anda menggunakan banyak energi saat menguji baterai. Apakah itu karena Anda menguji baterai dalam keadaan berbeban?

Lagu: Ya, tepatnya. Saat kita menguji sel baterai kita, khususnya untuk pengujian siklus laboratorium, kita harus mengisi dan mengosongkannya berkali-kali, misalnya 1.000 siklus, 2.000 siklus, yang akan menghabiskan banyak energi. Jadi, kalau bisa melakukan 50 siklus saja, itu bisa menghemat banyak.

Kami tidak hanya memvalidasi siklus yang lebih sedikit tetapi juga memvalidasi sel yang lebih sedikit. Misalnya, sebelumnya, karena Anda ingin mencakup kondisi pengoperasian yang berbeda, Anda mungkin harus menggunakan 100 sel, 100 saluran untuk menguji dalam kondisi berbeda. Namun sekarang, kita hanya perlu mencakup beberapa saja — misalnya, 10 sel, 10 kondisi pengoperasian, 50 siklus. Jadi, kami menghemat energi dari waktu bersepeda yang lebih singkat dan juga dengan menguji lebih sedikit sel baterai.

Ringkasan Teknologi: Kondisi apa saja yang Anda uji?

Lagu: Suhu adalah metrik yang sangat penting. Hal lainnya adalah cara kita menggunakan baterai. Misalnya, jika Anda memiliki ponsel dan saya memiliki ponsel, kemungkinan besar kita menggunakannya dengan cara yang sangat berbeda. Saya ingin mengisi daya ponsel saya hingga penuh setiap saat, sehingga baterai ponsel saya cepat habis. Namun jika Anda hanya menggunakan ponsel di tengah rentang State of Charge (SOC), mungkin akan bertahan lebih lama. Karena setiap orang menggunakan baterai secara berbeda, kami ingin mencakup sebanyak mungkin kondisi.

Ringkasan Teknologi: Saya membaca bahwa ada tiga komponen sistem Anda:pembelajar, juru bahasa, dan oracle. Bisakah Anda menjelaskannya?

Lagu: Itulah tiga komponen pembelajaran penemuan kami. Yang pertama adalah pelajar - orang yang mengajukan pertanyaan, yang memutuskan desain sel dan prototipe sel mana yang akan diuji. Pelajar akan meneruskan perintah kepada penerjemah, yang akan memanfaatkan data pengujian siklus awal untuk membangun ruang fitur yang terdiri dari parameter fisik, yaitu fitur, yang kemudian dapat diinterpretasikan oleh ahli baterai. Jadi, kami tidak hanya menggunakan beberapa fitur statistik yang tidak berarti; kami menggunakan fitur yang dapat ditafsirkan oleh insinyur atau ilmuwan baterai. Kemudian interpreter akan memberikan fitur-fitur tersebut kepada oracle. Oracle akan melakukan apa yang disebut pembelajaran zero-shot, yang berarti memprediksi masa pakai desain baterai baru tanpa eksperimen tambahan. Oracle kemudian akan meneruskan hasil prediksinya kembali kepada pelajar, yang akan memercayai hasil tersebut dan belajar darinya. Setelah beberapa kali dijalankan, pelajar akan diperlengkapi untuk memprediksi desain baterai baru dengan sendirinya. Dan terakhir, pembelajar dan oracle akan bersama-sama membuat prediksi untuk semua sampel baterai.

Ringkasan Teknologi: Profesor Song, Anda mengatakan bahwa Anda memilih baterai untuk dipelajari yang memiliki pola serupa dengan apa yang Anda lakukan sekarang. Bagaimana Anda memilih baterai mana yang akan digunakan sebagai model Anda?

Lagu: Ini terutama dari penerjemah. Misalnya, ketika kita memiliki kumpulan parameter yang berkembang dari desain baru, kita dapat memetakannya ke desain baterai sebelumnya untuk melihat perbandingan polanya. Dan kami juga memanfaatkan oracle karena dilatih menggunakan desain sebelumnya. Selain itu, penerjemah dapat memberi tahu kami tentang parameter yang kami minati. Misalnya, jika menurut kami ada 11 atau 14 parameter yang sangat penting bagi masa pakai baterai, kami menggunakan penerjemah untuk mendapatkan parameter tersebut dari data pengujian awal kami.

Kemudian kami memanfaatkan Oracle untuk mengambil kumpulan parameter ini sebagai masukan dan memprediksi masa pakai desain kami. Namun tentu saja, oracle tidak dapat memberikan hasil yang tepat pada putaran pertama, jadi kami harus melakukan iterasi untuk mengurangi ketidakpastian dan mendapatkan hasil yang lebih baik seiring berjalannya waktu.

Karena kami tahu itu tidak terlalu akurat, kami melakukan putaran kedua dari pelajar. Saya mendapatkan hasilnya dan Anda memberi tahu saya masa pakai tiga desain baterai yang saya pilih. Namun saya masih ragu tentang desain atau kondisi pengujian tertentu. Jadi, saya mungkin memilih dua sel lagi dan mengulangi prosedurnya sekali lagi — begitulah cara orang belajar. Kami melakukan iterasi untuk kondisi yang berbeda.

Ringkasan Teknologi: Setelah Anda memberikan prediksi, bagaimana Anda membuktikan bahwa prediksi Anda benar?

Lagu: Jadi, pada putaran pertama untuk baterai baru, kami memilih kondisi pengujian yang representatif secara intuitif. Misalnya, kami peduli dengan performa suhu rendah, performa suhu tinggi, performa suhu sedang, laju pelepasan tinggi, dan laju pelepasan rendah. Pada putaran kedua, kita memiliki beberapa data kuantitatif untuk membantu kita memilih sel selanjutnya. Kami kemudian menggunakan regresi proses Gaussian untuk memberi kami ketidakpastian prediksi. Lalu kami memilih prediksi yang paling tidak pasti dan menjalankan kembali kondisi tersebut untuk mengonfirmasi prediksi awal.

Ini adalah praktik umum di lapangan, sehingga sebagian besar orang memercayainya. Namun, kami menerima komentar ketika kami menerbitkan makalah yang menanyakan bagaimana kami dapat memastikan bahwa penghitungan ketidakpastian kami benar? Sejujurnya, ada beberapa metode yang berbeda, dan meskipun kami tidak mencoba semuanya, kami berencana untuk melakukannya di masa mendatang.

Ringkasan Teknologi: Misalkan produsen baterai tertarik dengan hasil Anda. Akankah dia cukup memercayai Anda untuk mulai membuat baterai di jalur perakitan berdasarkan prediksi Anda?

Lagu: Itu pertanyaan yang bagus. Saya kira begitu, setidaknya untuk satu perusahaan baterai yang telah bekerja sama dengan kami selama hampir empat tahun. Dan dalam kolaborasi kami, mereka memberikan semua datanya kepada kami. Kami telah mendiskusikan hasilnya dengan teknisi mereka, dan menurut mereka hasilnya dapat dipercaya. Jadi, jika mereka memiliki desain baterai baru, terutama yang tidak jauh berbeda dengan desain sebelumnya, framework kami dapat berfungsi.

Namun saya juga ingin menunjukkan keterbatasan penelitian kami, yang mana hal ini sangat penting. Misalnya, kami tidak dapat menentukan batasan secara positif jika desain baterai baru sangat berbeda dari sebelumnya. Kerangka kerja ini tidak ajaib — jika pengetahuan domain yang Anda miliki sekarang sangat berbeda dengan desain baru, bagaimana Anda bisa membuat prediksi?

Kami belum memperoleh metodologi untuk mengukur pertanyaan-pertanyaan ini — hal ini berada di luar cakupan penelitian ini. Tapi menurut saya ada baiknya melangkah lebih jauh. Misalnya, penelitian kami hanya mencakup baterai lithium tradisional dan tidak mencakup beberapa teknologi yang lebih maju seperti solid-state atau lithium-metal.

Ringkasan Teknologi: Jadi, Anda hanya menutupi baterai litium-ion standar?

Lagu: Tepat sekali. Saat ini, sebagian besar produk menggunakan baterai lithium-ion standar. Namun bahkan untuk sel baterai litium yang umum digunakan, jika Anda memiliki desain baru, perusahaan kendaraan listrik atau perusahaan baterai akan melakukan pengujian selama satu tahun untuk setiap desain. Jadi, alat kami sangat berguna saat ini. Namun batasannya adalah apa yang harus dilakukan ketika kita memiliki desain yang sangat berbeda.

Ringkasan Teknologi: Anda juga menyebutkan analisis berbasis fisika. Apa maksudnya?

Lagu: Artinya kita menggunakan model berbasis fisika - yang disebut model prinsip pertama. Misalnya beberapa persamaan fisika yang sangat mendasar seperti persamaan difusi hukum Fick. Dengan menggunakan ini, kita dapat menghasilkan fitur yang dapat diinterpretasikan secara fisik. Misalnya, di banyak makalah sebelumnya, mereka hanya menggunakan fitur-fitur yang berasal dari pengukuran tegangan dan arus, tetapi mereka tidak mengetahui arti fisik spesifik dari fitur-fitur tersebut.

Dengan menggabungkan pemodelan fisik bersama dengan kalibrasi parameter, berdasarkan parameter yang mengikuti tren tertentu, saya dapat memberi tahu Anda mengapa sel baterai Anda cukup tahan lama, atau bahwa Anda mungkin memiliki semacam mekanisme degradasi. Hal ini akan membuat prediksi lebih dapat dipercaya dan lebih mudah dijelaskan.

Jika Anda hanya menggunakan pembelajaran mesin, dan tidak memperhatikan fisika, kumpulan data yang digunakan untuk melatih model pembelajaran mesin mungkin memberi Anda prediksi yang dapat berhasil pada 95 persen kasus. Namun itu berarti, meskipun mungkin berhasil untuk Anda, mungkin tidak berhasil untuk saya. Dan jika hal ini tidak berhasil bagi saya, hal ini mungkin akan memberikan saya prediksi yang konyol, tidak sesuai dengan fisika, dan hal tersebut tidak dapat ditoleransi dalam praktiknya. Soal akurasi, mungkin error satu persen saja tidak apa-apa, bahkan mungkin error dua persen. Saya hanya ingin memberi Anda perkiraan yang dapat diandalkan, bukan perkiraan yang konyol dan gila.

Ringkasan Teknis: Bagaimana Anda memasukkan parameter fisik ke dalam sistem Anda?

Lagu: Kami memiliki model yang menunjukkan respons sistem. Saya tahu bahwa parameter memiliki hubungan dengan respons. Jadi, kami menggunakan penerjemah kami untuk mendapatkan distribusi statistik dari parameter tersebut, karena sangat sulit untuk mengkalibrasi sejumlah besar parameter secara tepat. Untuk desain dan kumpulan data bagus yang sudah ada, Anda cukup melakukan kalibrasi parameter, distribusi, dan mencoba memetakan distribusi parameter dan tren terhadap masa pakai sel baterai Anda. Karena untuk desain baterai yang ada, karena Anda memiliki seluruh data pengujian siklus hidup, Anda dapat melihat hubungan sebenarnya. Lalu kami mencoba memanfaatkan hubungan semacam ini untuk desain baterai baru kami.

Ringkasan Teknologi: Apa langkah Anda selanjutnya?

Lagu: Rencana saya mengenai pekerjaan ini adalah untuk mengetahui batasan kerangka kerja tersebut. Kami hanya dapat menguji desain baterai terbatas, tidak semuanya. Saat ini, kita berbicara tentang baterai solid state, baterai lithium metal, baterai lithium sulfur, dan lain-lain, dan semuanya memiliki sifat kimia yang berbeda. Jadi, kami ingin melihat apakah kerangka ini dapat bekerja dengan baik untuk baterai jenis baru. Jika tidak, kami ingin mengeksplorasi apa yang perlu kami lakukan. Saya pikir kerangka ini akan tetap berfungsi dengan baik, namun kita harus melakukan perubahan karena kimia baterai yang berbeda akan memiliki fisika internal yang sangat berbeda.

Bagi pengguna baterai, komponen terpenting adalah interpreter. Kami memiliki banyak hal yang harus dilakukan di bidang ini. Misalnya, kami dapat menyempurnakan pemodelan berbasis fisika untuk meningkatkan kinerjanya dalam memodelkan baterai solid-state.