Pouvez-vous imaginer un monde sans batteries ? Les smartphones, les véhicules à énergies nouvelles et tous les appareils intelligents fonctionnant 24 h/24 reposent sur la technologie de stockage électrochimique de l’énergie. Autrement dit, les batteries ne sont plus de simples unités de stockage d’énergie, mais des « organes invisibles » indispensables à la vie moderne, au développement industriel et au progrès technologique. Cependant, tout comme les organismes vivants finissent par vieillir et s’user,Les batteries peuvent également rencontrer des problèmes tels que la diminution de leur capacité, la dégradation de leurs performances et un état de santé imprévisible.C’est devenu un point de friction majeur qui freine l’innovation technologique et la transition énergétique.

La prédiction précise et efficace de la durée de vie des batteries est cruciale pour la recherche et l'application à grande échelle des batteries de nouvelle génération, car elle détermine directement leur fiabilité, leur sécurité et le coût total de leur cycle de vie. Cependant, la recherche dans ce domaine est semée d'embûches :Premièrement, il y a le coût en temps élevé.Prédire la durée de vie complète d'une seule batterie nécessite souvent des années de travail acharné, ce qui est nettement en retard par rapport au rythme de la recherche et du développement.Deuxièmement, il y a le coût énergétique exorbitant.Le prototypage et les tests répétés de batteries consomment une grande quantité d'énergie et s'accompagnent d'émissions de carbone considérables. Si ces deux défis majeurs ne sont pas relevés, non seulement le coût de l'innovation augmentera fortement, mais l'innovation dans le domaine des batteries se trouvera également confrontée à un paradoxe de durabilité : les technologies de batteries qui promeuvent l'énergie durable sont elles-mêmes incapables d'atteindre la durabilité dans leurs modèles de recherche et développement.

Dans ce contexte, le professeur Song Ziyou de l'Université du Michigan à Ann Arbor et Jiang Weiran, vice-président de la recherche et du développement chez Farasis Energy, ont codirigé le projet.Elle propose de manière novatrice une méthode d'apprentissage automatique scientifique appelée « Discovery Learning (DL) ».Inspirée par la psychologie de l'éducation, cette méthode intègre de manière organique l'apprentissage actif, l'apprentissage en situation de contrainte physique et l'apprentissage sans exemple préalable afin de construire un cadre d'apprentissage en boucle fermée, semblable à celui de l'humain, pour le raisonnement. Dans des conditions prudentes, comparée aux processus de vérification de l'autonomie des batteries à l'échelle industrielle,L'apprentissage par découverte permet de gagner du temps lors de l'évaluation du 98% et de réaliser des économies d'énergie pour le 95%, réduisant ainsi le cycle de validation d'environ 1 333 jours à 33 jours et la consommation d'énergie de 8,523 MWh à 0,468 MWh.

Les résultats de cette recherche, intitulée « L’apprentissage par découverte prédit la durée de vie des batteries à partir d’expériences minimales », ont été publiés dans la revue Nature.

Points saillants de la recherche :

* Nous proposons un modèle d'apprentissage automatique scientifique innovant, DL, qui intègre de manière organique l'apprentissage actif, l'apprentissage physiquement contraint et l'apprentissage zéro-shot pour construire un cadre d'apprentissage en boucle fermée semblable à celui de l'humain pour le raisonnement. 

* Un ensemble de données de dégradation contenant 123 batteries lithium-ion de grande capacité de qualité industrielle a été constitué, comblant ainsi le manque d'ensembles de données publics sur les batteries de grande capacité dans la recherche sur la dégradation des batteries.

* Gain de temps lors de l'évaluation du 98% et d'énergie lors de l'évaluation du 95%, réduisant le cycle de validation d'environ 1 333 jours à 33 jours.

Adresse du document :

https://www.nature.com/articles/s41586-025-09951-7
Suivez notre compte WeChat officiel et répondez « Discover Learning » en arrière-plan pour obtenir le PDF complet.

Constituer un ensemble de données de dégradation de batteries de qualité industrielle et un ensemble d'entraînement public de petite capacité.

Pour vérifier l'efficacité de la méthode d'apprentissage par découverte, l'équipe de recherche a construit un ensemble de données de dégradation de batteries de qualité industrielle comme ensemble de test, comme illustré dans la figure ci-dessous :

P représente une batterie à cellule souple et A représente un codage personnalisé ; la durée de vie en cycles varie de 250 à 1700 cycles.

Cet ensemble de test contient 123 grandes cellules lithium-ion en forme de poche (capacité de 73 à 84 Ah), couvrant 8 types de cellules différents.Ces cellules utilisent différents matériaux d'électrodes positives et négatives, ou différentes conceptions de batteries, à savoir : PA-B1, PA-B2, PA-B3, PB-B1, PB-B2, PC-B1, PC-B2 et PD. Des différences de conception importantes existent entre les types de cellules PA (280 Wh kg⁻¹), PB (286 Wh kg⁻¹), PC (286 Wh kg⁻¹) et PD (315 Wh kg⁻¹), tandis que les différences entre les modèles d'un même lot, comme PB-B1 et PB-B2, sont minimes. De plus, à l'exception de la cellule PD, qui utilise une électrode positive NMC9 (LiNi₀.₉Mn₀.₀₅Co₀.₀₅O₂, pourcentage d'atomes de nickel 90%) et une électrode négative composite silicium-carbone (Si-C), les autres cellules sont basées sur une électrode positive NMC811 et une électrode négative en graphite.

Il convient de mentionner queÀ l'heure actuelle, il n'existe aucun jeu de données entièrement validé sur les batteries de grande capacité dans l'industrie. Le jeu de données proposé par l'équipe de recherche comble cette lacune en matière de données sur la dégradation des batteries.Cela a jeté les bases d'une exploration plus approfondie des batteries à haute capacité.

Pour développer une méthode d'apprentissage par découverte précise et efficace, l'équipe de recherche a construit un ensemble de données publiques à coût nul basé sur des batteries cylindriques de petite capacité comme ensemble d'entraînement.

L'ensemble d'entraînement est composé de 200 batteries cylindriques de petite capacité (1,1–3,5 Ah) provenant de 6 modèles commerciaux différents.Il s'agit des modèles A123-M1A (phosphate de fer lithié/graphite, 83 Wh kg⁻¹), LG-HG2 (NMC811/SiOₓ–graphite, 246 Wh kg⁻¹), LG-MJ1 (NMC811/Si–C, 255 Wh kg⁻¹), Samsung-25R (NiCoAl–NMC622/Si–C, 216 Wh kg⁻¹), Sony-VTC5A (NCA/SiOₓ–graphite, 196 Wh kg⁻¹) et Sony-VTC6 (NCA/SiOₓ–graphite, 246 Wh kg⁻¹).

La figure b illustre l'utilisation de l'ensemble de données public ; la figure c montre un gros plan des 50 premiers EFC (Equivalent Full Cycle Numbers).

Durant la phase d'évaluation,L'équipe de recherche a divisé les 123 batteries en 37 groupes expérimentaux très homogènes en fonction des différences de matériaux, de conception et de conditions de test.L'objectif final de la prédiction est la durée de vie moyenne de chaque groupe de cycles. L'évaluation des erreurs est réalisée à la fois au niveau de la cellule individuelle et du pack de batteries afin de vérifier de manière exhaustive les performances et la fiabilité de la méthode.

Intégrer l'apprentissage actif, l'apprentissage en situation de contrainte physique et l'apprentissage sans exemple préalable

Les méthodes traditionnelles de prédiction de la durée de vie des batteries reposent principalement sur deux approches : les modèles physiques et les méthodes basées sur les données. Bien que ces méthodes offrent théoriquement des possibilités illimitées, elles présentent toutes deux des faiblesses majeures en pratique. Pour les modèles physiques, la compréhension incomplète des mécanismes de dégradation des batteries limite la précision des prédictions, freinant ainsi les avancées à long terme. Quant aux méthodes basées sur les données, elles nécessitent un apprentissage approfondi grâce à de nombreuses expériences supplémentaires sur la dégradation des batteries, et les données historiques ne peuvent être entièrement réutilisées. Plus important encore, ces méthodes ne fournissent généralement des prédictions fiables qu'après la fabrication d'un prototype de batterie, ce qui constitue un frein important à leur efficacité, notamment lors du passage à une production à grande échelle.

L'apprentissage par découverte est une méthode d'apprentissage automatique scientifique flexible et évolutive qui permet des prédictions scientifiques rapides et fiables.Tout en garantissant la précision et l'efficacité du processus de prédiction, il permet également de minimiser les coûts expérimentaux nécessaires à l'entraînement et à l'inférence.Cette méthode s'appuie sur la théorie de l'apprentissage par la découverte de Bruner (années 1960), qui postule que l'efficacité de l'apprentissage et du raisonnement humains ne repose pas uniquement sur l'observation directe ; de nouvelles inférences peuvent également être tirées des connaissances antérieures et de l'expérience passée. Le principe directeur de l'apprentissage par la découverte peut donc être interprété comme suit :Des prédictions fiables sont réalisées en apprenant à partir de données historiques de batteries à coût nul et en effectuant des requêtes étiquetées sur des échantillons de test non étiquetés.Ce principe permet non seulement de réduire considérablement le coût de l'entraînement et de l'inférence, mais aussi de réaliser des prédictions scientifiques efficaces.

En termes de méthodes de mise en œuvre spécifiques, afin d'intégrer de manière organique l'apprentissage actif, l'apprentissage par contraintes physiques et l'apprentissage zéro-shot, un cadre d'apprentissage en boucle fermée pour un raisonnement de type humain est construit.L'équipe de recherche a conçu trois modules d'apprentissage correspondants et a défini trois agents principaux (comme indiqué dans la figure ci-dessous) : l'apprenant, l'interprète et l'oracle.

L'interprète est l'exécuteur de l'apprentissage des contraintes physiques et le fondement de la construction des caractéristiques dans l'apprentissage par découverte.Le principe de cette méthode est de corriger le décalage dans la distribution des caractéristiques entre les batteries anciennes et nouvelles, en transformant les données de cyclage électrochimique en un espace de caractéristiques physiques universellement interprétable. On obtient ainsi une donnée d'entrée unifiée pour la prédiction de la durée de vie. Plus précisément, l'interpréteur de cette méthode utilise des techniques d'inférence basées sur la simulation, combinées à un modèle physico-électrochimique.

Oracle est conçu spécifiquement pour l'apprentissage zéro-shot et constitue le cœur de l'inférence initiale pour l'apprentissage par découverte.Sa solution principale s'attaque au problème des coûts excessifs d'acquisition de données pour la prédiction de la durée de vie des batteries, en permettant cette prédiction à partir des seules données historiques, sans nécessiter d'expériences de dégradation pour les nouvelles conceptions. La recherche propose une architecture à double prédicteur, composée d'un prédicteur de base et d'un méta-prédicteur. Le prédicteur de base prend en entrée les caractéristiques physiques de la batterie et fournit en sortie la durée de vie en cycles. Il est construit à l'aide d'un modèle linéaire combiné à un algorithme de réseau élastique. Le méta-prédicteur, quant à lui, prend en entrée les conditions de fonctionnement cycliques et fournit en sortie les coefficients de pondération de chaque caractéristique physique. Il est construit à l'aide d'un modèle de régression à vecteurs de support.

L'apprenant est l'acteur principal de l'apprentissage actif et le pilier de l'optimisation de l'efficacité de l'apprentissage par la découverte.L'objectif principal est de réduire davantage le coût de l'inférence expérimentale. En sélectionnant activement les échantillons présentant la plus grande valeur informative, on diminue le nombre de prototypes de batteries nécessitant une extraction de caractéristiques physiques par l'expérimentation, ce qui permet, à terme, de prédire la durée de vie de l'ensemble de la batterie à moindre coût expérimental. Dans cette étude, le modèle de prédiction de Learner repose sur l'algorithme de régression par processus gaussien, implémenté à l'aide de la bibliothèque scikit-learn, et utilise des stratégies de requêtes supervisées et non supervisées pour la sélection des échantillons.

Spécifiquement,Le module d'apprentissage sélectionne proactivement les échantillons de test les plus informatifs parmi les données historiques de conception de batteries. Ensuite, le module d'interprétation utilise l'apprentissage par contraintes physiques pour construire un espace de caractéristiques physiques général et interprétable, afin d'éliminer les différences de distribution des caractéristiques entre les batteries historiques et les batteries inconnues. Enfin, le module d'oracle effectue un apprentissage zéro-shot, réalise une inférence préliminaire sur les échantillons de test sélectionnés à partir de l'espace de caractéristiques construit par le module d'interprétation, et renvoie les résultats de l'inférence sous forme de « pseudo-étiquettes » au module d'apprentissage.Ce processus est répété jusqu'à ce que la condition d'arrêt prédéfinie soit remplie, achevant ainsi l'ensemble du processus de prédiction.

En résumé, l'application de méthodes d'apprentissage par découverte pour prédire la durée de vie de batteries de conception inconnue élimine le besoin d'expériences de dégradation supplémentaires pour l'étiquetage de leur durée de vie et réduit considérablement la fabrication de prototypes nécessaires à l'extraction des premières caractéristiques physiques. Cette approche novatrice permet une validation rapide de la durée de vie des batteries et fournit un retour d'information efficace et précis pour leur conception, accélérant ainsi l'innovation et contribuant à relever les défis du développement durable.

Réalisez des économies de temps avec le 98% et des économies d'énergie avec le 95%.

Dans cette étude, l'équipe de recherche a démontré sa capacité à tirer des enseignements à partir d'ensembles de tests lors de la prédiction de la durée de vie cyclique de nouvelles conceptions de batteries présentant une variabilité inconnue des dispositifs.L'erreur moyenne absolue en pourcentage (MAPE) de 7,2% peut être obtenue en utilisant uniquement les données des 50 premiers cycles de charge-décharge complets équivalents du prototype de batterie 51 %.De plus, cette haute précision est obtenue grâce à une approche sans échantillon, surpassant ainsi les résultats de recherches existantes, matures et représentatives. Sous des hypothèses prudentes,Comparé aux processus de vérification de la durée de vie des batteries de qualité industrielle, l'apprentissage par découverte peut permettre de réaliser des économies de temps lors de l'évaluation du 98% et des économies d'énergie pour le 95%.

De plus, l'équipe de recherche a évalué plus en détail la supériorité de la méthode d'apprentissage par découverte grâce à des expériences de prédiction en boucle ouverte et en boucle fermée.

Performances de prédiction en boucle ouverte

Dans cette expérience, seules les performances de prédiction en boucle ouverte de l'Interprète et de l'Oracle sont démontrées ; l'Apprenant ne participe ni à la sélection des données ni à l'apprentissage (comme illustré dans la figure ci-dessous). Dans des conditions de variabilité de fabrication inconnue,Oracle a obtenu une erreur moyenne absolue en pourcentage au niveau du groupe de 6,41 TP3T et une erreur quadratique moyenne (RMSE) de 64 cycles dans la prédiction de la durée de vie moyenne de 37 batteries.

Il convient de noter que l'erreur moyenne absolue en pourcentage au niveau de la batterie est de 9,1% et que l'erreur quadratique moyenne est de 70 cycles.Cela indique que l'erreur absolue moyenne en pourcentage au niveau du groupe de 6,4% est principalement due à la prédiction précise de 123 cellules individuelles, plutôt qu'à une coïncidence causée par la moyenne au niveau du groupe.De plus, le coefficient de corrélation de Pearson a atteint 0,97. Ces résultats valident mutuellement le pouvoir prédictif de la méthode DL.

L'expérience a ensuite utilisé le cadre SHAP (SHapley Additive exPlanations analysis) pour clarifier l'importance relative des caractéristiques physiques liées aux propriétés thermodynamiques et cinétiques lors des premières phases de cyclage (figures c et e ci-dessus), identifiant ainsi les principaux facteurs physiques ayant l'impact le plus important sur la durée de vie de la batterie. La figure d illustre la variation de l'importance des caractéristiques physiques selon les différentes conditions de cyclage.

Performances de prédiction en boucle fermée

Cette expérience intègre le module Apprenant. L'apprenant sélectionne de manière proactive les échantillons de test les plus informatifs parmi 37 blocs-batteries, puis effectue une prédiction des performances en boucle fermée.Le processus expérimental est illustré dans la figure ci-dessous. Il a été constaté que le processus d'apprentissage utilise un processus de « pseudo-étiquetage » basé sur l'inférence primaire pour remplacer le processus d'étiquetage expérimental dans l'apprentissage actif, ce qui réduit encore les exigences expérimentales.

En définitive, pour prédire la durée de vie moyenne des 37 batteries,Les modules Oracle et Learner, travaillant ensemble, ont atteint une erreur moyenne absolue en pourcentage au niveau du groupe de 7,21 TP3T et une erreur quadratique moyenne de 91 cycles.Bien que ce résultat représente une amélioration par rapport à l'expérience en boucle ouverte, il ne fournit qu'une validation limitée des avantages de performance du cadre en boucle fermée.

en tout,Cette étude confirme que l'apprentissage par découverte permet de prédire la durée de vie et l'efficacité des cycles de batterie à partir de données historiques et d'un très petit nombre d'expériences.Plus important encore, outre la conception des batteries, cette méthode peut être étendue à la vérification d'autres indicateurs de performance, tels que la sécurité, la capacité de charge rapide et la gestion des batteries, à condition de disposer de données historiques pertinentes dans d'autres domaines. On peut affirmer que cette recherche jette les bases théoriques et pratiques solides nécessaires à la réduction du coût de l'innovation dans le domaine des batteries et à l'accélération de leur application.

Collaboration étroite entre l'industrie, le monde universitaire et la recherche : l'IA accélère l'innovation dans le domaine des batteries.

À l'ère de la révolution énergétique et de la quête du progrès technologique, l'innovation et les percées dans le domaine des batteries constituent depuis longtemps un moteur essentiel du changement social. De l'exploration théorique en laboratoire aux applications pratiques dans la production industrielle, l'intégration étroite de l'industrie, du monde universitaire et de la recherche devient un puissant moteur de développement pour le secteur des batteries.

Prenons l'exemple de Farasis Energy, fournisseur mondial de solutions énergétiques intégrées, qui a déjà réalisé des progrès significatifs en matière de développement durable des technologies de batteries grâce à l'innovation technologique. Son portefeuille de produits comprend divers systèmes de matériaux, notamment les batteries ternaires à haute teneur en nickel, les batteries lithium-fer-phosphate et les batteries sodium-ion, ainsi que différents types de batteries, comme les batteries liquides et solides. Cette recherche contribue sans aucun doute à concrétiser et à approfondir le concept de développement axé sur l'innovation et, grâce à cette approche novatrice, elle a le potentiel d'impulser une nouvelle ère d'intégration entre l'industrie, le monde universitaire et la recherche.

Pour le professeur Song Ziyou, figure de proue de ces recherches, il s'agissait également d'une tentative importante de mettre la théorie en pratique. Il est entendu que…Les recherches du professeur Song Ziyou portent sur les véhicules électriques, les systèmes de stockage d'énergie, la modélisation et la gestion des batteries.Il a publié plus de 70 articles dans des revues de référence en énergie et en puissance, telles que IEEE et Energy, et a combiné à plusieurs reprises l'intelligence artificielle et le domaine de l'énergie pour proposer des méthodes innovantes. Par exemple, son estimation robuste de l'état de santé des batteries lithium-ion, basée sur des réseaux de neurones convolutifs et des forêts aléatoires, développée en collaboration avec Heath Hofman, vise à résoudre le problème de l'estimation précise de cet état. Elle se concentre sur le cas concret des batteries qui ne sont ni complètement chargées ni complètement déchargées lors d'une utilisation quotidienne, comme c'est le cas pour les véhicules électriques qui ne sont pas systématiquement rechargés à 100 %. Dans ce cas, les méthodes traditionnelles d'estimation de l'état de santé des batteries sont généralement imprécises.

Titre de l'article :

Estimation robuste de l'état de santé des batteries lithium-ion à l'aide d'un réseau neuronal convolutif et d'une forêt aléatoire
Adresse du document :

https://arxiv.org/pdf/2010.10452v1

Outre ces recherches, des collaborations fructueuses entre l'industrie, le monde universitaire et la recherche ont déjà été menées dans le domaine de l'innovation des batteries, comme le partenariat entre l'Université de Hangzhou Dianzi, l'Université du Zhejiang et le groupe Tianneng Battery. Ce partenariat a combiné les caractéristiques des coefficients de corrélation et des réseaux de neurones pour proposer un algorithme de détection des courts-circuits internes dans les batteries. Cet algorithme repose sur la corrélation de rang de Spearman et un réseau de neurones récurrents bidirectionnel à trois canaux (TBi-GRU). Cette méthode permet de détecter avec précision les courts-circuits internes dans les batteries, offrant ainsi une nouvelle approche et des pistes de réflexion pour la détection précoce des défauts et la garantie de la sécurité des batteries.

Titre de l'article :

Détection des courts-circuits internes des batteries par corrélation de rang de Spearman combinée à un réseau de neurones
Adresse du document :

https://jeit.ac.cn/en/article/doi/10.11999/JEIT210975

En conclusion, l'étroite collaboration exemplaire entre l'industrie, le monde universitaire et la recherche dans le domaine de l'innovation des batteries a démontré à maintes reprises que l'intelligence artificielle n'est plus un simple outil externe en R&D des batteries, mais bien un moteur interne essentiel, vecteur de changements de paradigme dans la découverte des mécanismes fondamentaux, la conception technique et la gestion du cycle de vie complet. Plus particulièrement, l'émergence de méthodes innovantes telles que l'apprentissage profond (DL) oriente la R&D des batteries, la faisant passer d'un modèle expérimental coûteux et long, basé sur les essais et erreurs, à un nouveau paradigme de conception prédictive, fondé sur la fusion des données et de la physique. Ceci ouvre non seulement une nouvelle voie technologique pour résoudre le dilemme de la durabilité de l'innovation des batteries, mais inaugure également une nouvelle ère d'intégration profonde entre l'intelligence artificielle et les sciences de l'énergie.

Références :

1.https://www.nature.com/articles/s41586-025-09951-7
2.https://mp.weixin.qq.com/s/1p5FTWhujytM4Cne6NhFSg
3.https://jeit.ac.cn/en/article/doi/10.11999/JEIT210975
4.https://www.kiphub.com/author/6661bcb287272d556e26f335