Un outil d’IA agentique pour les chercheurs en batteries exploite les données provenant de conceptions précédentes pour prédire la durée de vie en cycles de nouveaux concepts. Avec seulement 50 cycles d’information, l’outil – développé à l’Université du Michigan Engineering – peut prédire combien de cycles charge-décharge la batterie peut subir avant que sa capacité ne tombe en dessous de 90 % de sa capacité de conception.
Cela pourrait économiser des mois, voire des années de tests, selon les conditions des expériences de cyclage, ainsi qu’une puissance électrique substantielle lors du prototypage et des tests. L’équipe estime que la durée de vie des nouvelles conceptions de batteries pourrait être prédite avec seulement 5 % de l’énergie et 2 % du temps requis par les tests conventionnels.
« Lorsque nous apprenons des conceptions historiques de batteries, nous exploitons des caractéristiques basées sur la physique pour construire une cartographie généralisable entre les tests en phase précoce et la durée de vie en cycles », a expliqué Ziyou Song, professeur assistant en génie électrique et informatique à l’U-M et auteur correspondant de l’étude dans Nature. « Nous pouvons minimiser les efforts expérimentaux et atteindre une performance de prédiction précise pour les nouvelles conceptions de batteries. »
L’étude a été financée par la société de batteries Farasis Energy USA en Californie, qui a également fourni des cellules et des données de sa conception et de ses tests pour évaluer la performance du modèle – entraîné uniquement sur des données publiques et gratuites.
L’outil s’inspire d’une approche pédagogique connue sous le nom d’apprentissage par découverte, ou apprentissage par la pratique. Un étudiant apprenant de cette manière a un problème à résoudre et des ressources pour découvrir la solution, tout en s’appuyant sur ses propres expériences et connaissances antérieures. En résolvant de nombreux problèmes, l’étudiant n’a plus besoin des ressources pour en résoudre de similaires – il a internalisé les connaissances et compétences.
« L’apprentissage par découverte est une approche générale d’apprentissage automatique qui peut être étendue à d’autres domaines scientifiques et techniques », a indiqué Jiawei Zhang, doctorant en génie électrique et informatique à l’U-M et premier auteur de cette étude, qui a eu l’inspiration initiale de concevoir une équipe d’agents d’IA pouvant simuler ce mode d’apprentissage.
Fonctionnement de l’outil d’IA en apprentissage par découverte
L’équipe a désigné un « apprenant » d’IA qui prédirait la durée de vie en cycles pour une conception de batterie et des conditions de cyclage données, telles que la température et le courant. L’apprenant choisit quelques candidats batteries qui combleraient les lacunes dans ses connaissances, à construire et à faire fonctionner pendant environ 50 cycles. Les résultats de ces expériences sont transmis à un « interprète », qui accède aux données historiques et effectue des calculs avec un simulateur de batterie basé sur la physique. L’« oracle » fait ensuite des prédictions de durée de vie pour les batteries expérimentales en s’appuyant sur les données historiques et les calculs fournis.
Enfin, l’apprenant combine les nouvelles informations avec les prédictions précédentes pour estimer la durée de vie de la nouvelle conception. Même avec des expériences, le système d’apprentissage par découverte offre d’énormes économies de temps et d’énergie, avec le potentiel de s’améliorer davantage à mesure que l’apprenant accumule suffisamment de connaissances pour faire des prédictions sans exécuter la boucle de découverte.
Les batteries lithium-ion de nouvelle génération sont très différentes des itérations précédentes – en chimie, structure et matériaux – mais l’équipe soutient qu’il existe des parallèles entre elles qui peuvent aider à prédire la performance des nouvelles conceptions. Plutôt que d’utiliser de simples caractéristiques statistiques des signaux de courant et de tension, l’interprète exploite des propriétés physiques sous-jacentes pour établir des points communs entre différentes batteries.
Ayant ces informations en main, l’oracle considère la batterie sous deux angles : ses caractéristiques internes – informations de l’interprète sur la physique et la chimie de la cellule – et ses conditions de fonctionnement. Par exemple, à des températures plus élevées, un changement chimique particulier peut dominer la façon dont la batterie est susceptible de se dégrader, mais ce mécanisme est moins important à des températures plus basses.
L’équipe a testé son modèle avec des données et des cellules en poche de Farasis Energy USA. Après un entraînement sur un jeu de données incluant uniquement des cellules cylindriques, similaires aux piles AA familières, le modèle a pu prédire la performance de ces cellules plus grandes. Alors que les tests complets vont jusqu’à 1 000 cycles et peuvent prendre quelques mois à quelques années, les tests de 50 cycles ne prennent que quelques jours à quelques semaines, selon les estimations de l’équipe. Les tests ont requis moins de cellules, ainsi que moins de cycles, résultant en des économies d’énergie d’environ 95 %.
Dans le domaine de la technologie des batteries, l’équipe prévoit d’étendre l’approche à d’autres aspects de la performance, tels que la sécurité et la vitesse de charge. Cependant, comme l’apprentissage par découverte est une nouvelle approche d’apprentissage automatique scientifique, l’équipe pense que d’autres pourraient construire des outils prédictifs similaires ou développer de nouvelles approches d’optimisation. Ils espèrent que cela pourrait accélérer le développement dans de nombreuses disciplines limitées par le besoin d’expériences coûteuses, notamment immédiatement en chimie et conception de matériaux.
Journal : Nature – « Discovery learning predicts battery cycle life from minimal experiments » – DOI : Lien vers l’étude
Source : Michigan U.
