Литий-ионные аккумуляторы все чаще используются в качестве источников питания в самых разных областях, от электромобилей до медицинских устройств. Однако до сих пор для решения задачи прогнозирования срока службы литий-ионных аккумуляторов требуется много времени. Традиционные подходы решения данной задачи требуют многократного цикла зарядки и разрядки аккумуляторов до достижения ими предельного срока службы. Этот процесс может занимать месяцы или даже годы. В исследовании «Discovery Learning predicts battery cycle life from minimal experiments», опубликованной в журнале Nature, продемонстрировано применения метода машинного обучения, который сокращает этот процесс, прогнозируя срок службы аккумуляторов с точностью, достаточной для реального использования (за неделю и меньше) даже для конструкций, с которыми модель никогда не сталкивалась.

Методы, используемые для прогнозирования срока службы аккумуляторов, подразделяются на две широкие категории. Первая категория основана на моделировании старения с учетом физических процессов, которое направлено на описание деградации аккумулятора путем явного моделирования электрохимических и физических процессов. Одной из хорошо известных проблем, связанных с этим подходом, является необходимость калибровки множества параметров, связанных с деградацией. Это быстро становится невыполнимым по мере старения аккумуляторов. Вторая категория, прогнозирование срока службы на основе данных, использует экспериментальные данные для сопоставления характеристик аккумулятора со сроком службы без явного физического моделирования механизмов деградации. Эти методы машинного обучения часто дают точные прогнозы для конструкций батарей и условий циклической работы, характерных для обучающего набора данных, но они, как правило, дают сбои при применении к новым конструкциям элементов или условиям циклической работы. Кроме того, эти методы обычно требуют больших наборов данных, собранных за весь срок службы аккумуляторов, что является трудоемким и энергозатратным процессом.

Чтобы продемонстрировать свой метод в условиях, актуальных для промышленности, в исследовании «Discovery Learning predicts battery cycle life from minimal experiments» собран полный набор данных по 123 аккумуляторам, которые были разделены на 37 групп на основе конструкции элементов, химического состава электродов и условий циклической работы. Примечательно, что эти аккумуляторы обладали гораздо большей емкостью хранения энергии, чем те, которые преобладают в общедоступных наборах данных о старении батарей, тем самым заполняя пробел в данных в этой области. Представленный в исследовании метод точно предсказал срок службы этих аккумуляторов (средняя ошибка составила всего 7,2%), используя данные только по первым 50 циклам заряда-разряда 51% аккумуляторов. Используя консервативные предположения, авторы исследования показывают, что это соответствует сокращению времени тестирования на 98% и экономии энергии на 95% по сравнению с традиционными методами прогнозирования срока службы.

О сложностях прогнозирования срока службы аккумуляторов рассказывает доцент кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации Емельянова Наталия Юрьевна:

Сложности прогнозирования срока службы еще больше усугубляются при использовании данных, полученных только на начальном этапе эксплуатации аккумуляторов. Ранние циклы работы аккумуляторов дают относительно короткие временные ряды данных напряжения-тока, в которых признаки деградации настолько слабы, что их можно не различить для аккумуляторов с очень разным сроком службы. Модели машинного обучения, обученные на данных раннего периода эксплуатации с малыми изменениями по батареи, должны экстраполировать данные далеко за пределы имеющихся наблюдений, что делает получаемые прогнозы срока службы особенно чувствительными к встроенным предположениям модели о долговременном поведении деградации.

Применение машинного обучения в прогнозировании сроков службы аккумуляторов комментирует профессор кафедры искусственного интеллекта Финансового университета при Правительстве Российской Федерации Емельянов Виталий Александрович:

Необходима дополнительная проверка предложенного подхода, чтобы увидеть, насколько хорошо он работает с аккумуляторами, используемыми в реальных условиях, например, при переменных температурах и различных электрических нагрузках. Тем не менее, результаты исследования показывают, что предложенный метод обучения обладает большим потенциалом для решения ключевого узкого места в разработке литий-ионных аккумуляторов.