バッテリーのない世界を想像できますか？スマートフォン、新エネルギー車、そして24時間稼働するあらゆるスマートデバイスは、電気化学エネルギー貯蔵技術を基盤としています。つまり、バッテリーはもはや単なるエネルギー貯蔵装置ではなく、現代生活、産業発展、そして技術進歩を支える「目に見えない臓器」なのです。しかし、生物がいずれ老化や消耗に直面するのと同じように、バッテリーでは、容量の減少、パフォーマンスの低下、予測できない健康状態などの問題が発生することもあります。これは、技術革新とエネルギー移行を制限する中心的な問題点となっています。

次世代バッテリーの研究と大規模応用には、バッテリーサイクル寿命の正確かつ効率的な予測が不可欠であり、その信頼性、安全性、そしてライフサイクル全体のコストを直接左右します。しかし、この分野の研究への道のりは困難を伴います。まず、時間コストが高いという問題があります。単一のバッテリーの完全な寿命を予測するには、多くの場合何年もの専念した作業が必要となり、これは研究開発のペースに大幅に遅れをとっています。第二に、莫大なエネルギーコストがかかります。バッテリーの試作と試験を繰り返すことは、大量のエネルギーを消費し、相当量の二酸化炭素排出を伴います。この2つの大きな課題を克服できなければ、イノベーションのコストが大幅に増加するだけでなく、バッテリーイノベーションは矛盾した「持続可能性のジレンマ」に陥ることになります。持続可能なエネルギーを促進するバッテリー技術は、研究開発モデル自体において持続可能性を実現できないのです。

このような背景から、ミシガン大学アナーバー校の宋子有教授とファラシス・エナジーの研究開発担当副社長の江偉然氏が共同でこのプロジェクトを主導した。「Discovery Learning（DL）」と呼ばれる科学的な機械学習手法を革新的に提案しています。教育心理学に着想を得たこの手法は、能動学習、物理的制約学習、ゼロショット学習を有機的に統合し、人間のような閉ループ学習の推論フレームワークを構築します。保守的な仮定の下では、産業グレードのバッテリー寿命検証プロセスと比較して、検出学習により、98% の評価にかかる時間が短縮され、95% のエネルギーも節約できるため、検証サイクルが約 1,333 日から 33 日に短縮され、エネルギー消費量は 8.523 MWh から 0.468 MWh に削減されます。

「Discovery Learningが最小限の実験からバッテリーサイクル寿命を予測する」と題された関連する研究結果がNature誌に掲載されました。

研究のハイライト:

* 私たちは、能動学習、物理的に制約された学習、ゼロショット学習を有機的に統合し、推論のための人間のような閉ループ学習フレームワークを構築する革新的な科学的機械学習モデル DL を提案します。 

* 産業用大容量リチウムイオンパウチ電池 123 個を含む劣化データセットが構築され、電池劣化研究における公開されている大容量電池データセットのギャップが埋められました。

* 98% の評価時間の短縮と 95% のエネルギー節約を実現し、検証サイクルを約 1,333 日から 33 日に短縮しました。

用紙のアドレス:

https://www.nature.com/articles/s41586-025-09951-7
弊社の公式 WeChat アカウントをフォローし、バックグラウンドで「Discover Learning」と返信すると、完全な PDF を入手できます。

産業グレードのバッテリー劣化データセットと小容量の公開トレーニング セットを構築します。

発見学習法の有効性を検証するために、研究チームは、下の図に示すように、産業グレードのバッテリー劣化データセットをテストセットとして構築しました。

P はポーチセルバッテリー、A はカスタムコーディングを表します。サイクル寿命は 250 ～ 1700 サイクルです。

このテスト セットには、8 種類の異なるセル タイプをカバーする 123 個の大型リチウムイオン パウチ セル (容量 73～84 Ah) が含まれています。これらのセルは、異なる正極および負極材料、あるいは電池設計を採用しており、PA-B1、PA-b2、PA-b3、PB-b1、PB-b2、PC-b1、PC-b2、PDの4種類があります。PA（280Wh kg⁻¹）、PB（286Wh kg⁻¹）、PC（286Wh kg⁻¹）、PD（315Wh kg⁻¹）のセルタイプ間では設計に大きな違いがありますが、PB-b1とPB-b2など、同一バッチ内のモデル間での違いはわずかです。さらに、NMC9正極（LiNi₀.₉Mn₀.₀₅Co₀.₀₅O₂、ニッケル原子百分率90%）とシリコンカーボン（Si-C）複合負極を使用するPDセルを除き、その他のセルはNMC811正極とグラファイト負極をベースにしています。

言及する価値があるのは、現在、業界には完全に検証された大容量バッテリーのデータセットは存在しません。研究チームが提案するデータセットは、劣化研究データセットのギャップを埋めるものです。これにより、高容量バッテリーのさらなる研究の基礎が築かれました。

正確で効率的な発見学習法を開発するために、研究チームは、トレーニング セットとして小容量の円筒形電池に基づくゼロ コストの公開データセットを構築しました。

トレーニング セットは、6 つの異なる市販モデルの小容量円筒形バッテリー (1.1～3.5 Ah) 200 個で構成されています。これらは、A123-M1A（リン酸鉄リチウム/グラファイト、83 Wh kg⁻¹）、LG-HG2（NMC811/SiOₓ–グラファイト、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–グラファイト、196 Wh kg⁻¹）、および Sony-VTC6（NCA/SiOₓ–グラファイト、246 Wh kg⁻¹）です。

図 b は公開データセットの使用法を示しています。図 c は上位 50 の EFC (Equivalent Full Cycle Numbers) のクローズアップを示しています。

評価段階では、研究チームは、材料、設計、試験条件の違いに基づいて、123個のバッテリーを37の一貫性の高い実験グループに分けました。最終的な予測目標は、各グループの平均サイクル寿命です。個々のセルレベルとバッテリーパックレベルの両方で誤差評価を実施し、本手法の性能と機能を包括的に検証します。

能動学習、物理的制約学習、ゼロショット学習を統合する

従来のバッテリー寿命予測手法は、主に物理モデルベースとデータ駆動型の2つのアプローチを採用しています。これらの手法は理論的には無限の可能性を秘めていますが、実用化においてはどちらも致命的な弱点を抱えています。物理モデルベースでは、バッテリー劣化メカニズムの理解が不十分なため予測精度が制限され、長期的なブレークスルーの妨げとなります。データ駆動型手法では、多数の追加的なバッテリー劣化実験による広範なトレーニングが必要であり、過去のデータを完全に再利用することはできません。さらに重大なのは、これらの手法は通常、バッテリープロトタイプの製造後にのみ信頼性の高い予測を提供するため、特に大規模な設計シナリオに拡張する際に、大きな効率性のボトルネックが生じることです。

発見学習は、迅速かつ信頼性の高い科学的予測を可能にする、柔軟でスケーラブルな科学的機械学習手法です。予測プロセスの精度と効率性を確保しながら、トレーニングと推論に必要な実験コストを最小限に抑えることもできます。この手法は、1960年代のブルーナーの発見学習理論の恩恵を受けています。この理論は、人間の学習と推論の効率性は直接的な観察だけに依存するのではなく、既存の知識や過去の経験からも新たな推論を導き出すことができるとしています。したがって、発見学習の指針は次のように解釈できます。ゼロコストの過去のバッテリー データから学習し、ラベルのないテスト サンプルに対してラベル付きのクエリを実行することで、信頼性の高い予測が行われます。この原理により、トレーニングと推論のコストが大幅に削減されるだけでなく、効率的な科学的予測も可能になります。

具体的な実装方法としては、能動学習、物理的制約学習、ゼロショット学習を有機的に統合し、人間のような推論を行う閉ループ学習フレームワークを構築する。研究チームは、対応する 3 つの学習モジュールを設計し、学習者、インタープリター、オラクルという 3 つのコア エージェントを定義しました (下の図を参照)。

インタープリターは、物理的制約学習の実行者であり、発見学習における特徴構築の基盤です。この手法の核心は、過去のバッテリーと新品のバッテリー間の特徴分布の不一致に対処し、バッテリーの電気化学サイクルデータを普遍的に解釈可能な物理的特徴空間に変換することで、その後の寿命予測のための統一された特徴入力を提供することです。具体的には、この手法のインタープリターは、シミュレーションベースの推論技術と物理電気化学モデルを組み合わせて使用します。

Oracle はゼロショット学習用に特別に設計されており、発見学習の初期推論の中核となります。その中核となるソリューションは、バッテリー寿命予測における「過剰なデータ取得コスト」という問題を解決し、新しいバッテリー設計のための劣化実験を必要とせずに、過去のバッテリーデータのみを用いた寿命予測を可能にします。この研究では、基本予測器とメタ予測器からなるデュアル予測器アーキテクチャを設計します。基本予測器は、物理的特性を入力として受け取り、バッテリーのサイクル寿命を出力します。基本予測器は、線形モデルと弾性ネットアルゴリズムを組み合わせて構築されます。メタ予測器は、周期的な動作条件を入力として受け取り、各物理的特性の重み係数を出力します。メタ予測器は、サポートベクター回帰モデルを用いて構築されます。

学習者は能動的な学習の実行者であり、発見学習の効率最適化の中核です。主な目的は、実験推論のコストをさらに削減することです。情報価値の高いサンプルを積極的に選択することで、実験による物理的特徴抽出を必要とする電池プロトタイプの数を削減し、最終的には最小限の実験コストで電池設計全体の寿命予測を実現します。本研究では、Learnerの予測モデルは、scikit-learnツールキットを用いて構築されたガウス過程回帰アルゴリズムに基づいており、サンプル選択には教師なしクエリ戦略と教師ありクエリ戦略の両方を採用しています。

具体的には、学習者は、過去のバッテリー設計データセットから最も有益なテストサンプルを積極的に選択します。次に、インタープリターは物理的制約学習を用いて、過去のバッテリーと未知のバッテリー間の特徴分布の違いを排除するための、汎用的かつ解釈可能な物理的特徴空間を構築します。続いて、オラクルはゼロショット学習を行い、インタープリターによって構築された特徴空間に基づいて選択されたテストサンプルの予備推論を行い、推論結果を「疑似ラベル」として学習者にフィードバックします。このプロセスは、事前に設定された終了条件が満たされるまで繰り返され、予測プロセス全体が完了します。

要約すると、発見学習手法を用いて未知のバッテリー設計のサイクル寿命を予測することで、寿命評価のための追加的な劣化実験の必要性がなくなり、初期の物理的特性を抽出するために必要なプロトタイプ製造が大幅に削減されます。これは、バッテリー寿命の迅速な検証と、バッテリー設計への効率的かつ正確なフィードバックの提供を可能にする新たなアプローチとなり、バッテリーのイノベーションを加速させ、持続可能性の課題への対応に貢献します。

98% で時間の節約、95% でエネルギーの節約を実現します。

この研究では、研究チームは、デバイスのばらつきが未知の新しいバッテリー設計のサイクル寿命を予測する際に、テスト セットに基づいて学習を発見する能力を実証しました。7.2% の平均絶対パーセンテージ誤差 (MAPE) は、51 % バッテリー プロトタイプの最初の 50 回の同等の完全充電-放電サイクルのデータのみを使用して達成できます。さらに、この高い精度はゼロサンプルアプローチを用いて達成されており、既存の成熟した代表的な研究結果を上回っています。保守的な仮定の下では、産業グレードのバッテリー寿命検証プロセスと比較して、検出学習により、98% の評価では時間の節約、95% ではエネルギーの節約を実現できます。

さらに研究チームは、オープンループとクローズドループの予測実験を通じて発見学習法の優位性をさらに評価しました。

オープンループ予測性能

この実験では、インタープリターとオラクルのオープンループ予測性能のみが実証されており、学習者はデータの選択や学習には関与していません（下図参照）。製造ばらつきが不明な状況下では、Oracle は、37 個のバッテリー パックの平均サイクル寿命予測において、グループ レベルの平均絶対パーセンテージ誤差 6.41 TP3T と、平均二乗平方根誤差 (RMSE) 64 サイクルを達成しました。

注目すべきは、バッテリーレベルの平均絶対パーセンテージ誤差が 9.1% であり、二乗平均平方根誤差が 70 サイクルであることです。これは、グループレベルの平均絶対パーセンテージ誤差 6.4% が、グループレベルの平均によって引き起こされた偶然ではなく、主に 123 個の個別セルの正確な予測によるものであることを示しています。さらに、ピアソン相関係数は0.97に達しました。これらの結果は、DL法の予測力を相互に検証するものです。

その後、実験ではSHAP（SHapley Additive exPlanations analysis）フレームワークをさらに用いて、初期サイクル段階における熱力学的および運動学的特性に関連する物理的特性の相対的な重要性を明らかにしました（上図cおよびe）。これにより、バッテリー寿命に最も大きな影響を与える主要な物理的要因が特定されました。図dは、異なるサイクル条件における物理的特性の重要性の変化を示しています。

閉ループ予測性能

この実験には Learner モジュールが組み込まれています。 学習者は、37 個のバッテリー パックから最も有益なテスト サンプルを積極的に選択し、閉ループのパフォーマンス予測を実行します。実験プロセスは下図に示されています。学習プロセスでは、能動学習における実験ベースのラベリングプロセスの代わりに、一次推論に基づく「疑似ラベル」プロセスが採用されており、これにより実験要件がさらに削減されることがわかりました。

最終的に、37個のバッテリーパックの平均サイクル寿命を予測すると、Oracle モジュールと Learner モジュールを連携させることで、グループレベルの平均絶対パーセンテージ誤差は 7.21 TP3T、平均二乗平方根誤差は 91 サイクルを達成しました。この結果はオープンループ実験と比較すると改善を示していますが、クローズドループ フレームワークのパフォーマンス上の利点については限定的な検証しか提供していません。

全体として、この研究では、発見学習によって履歴データと非常に少数の実験を使用してバッテリーのサイクル寿命と効率を予測できることが確認されました。さらに重要なのは、この手法はバッテリー設計に加え、他の分野における適切な過去のデータセットが存在する限り、安全性、急速充電能力、バッテリー管理といった他のバッテリー性能指標の検証にも拡張できることです。本研究は、バッテリーイノベーションのコスト削減とその応用加速に向けた、確固たる理論的・実践的基盤を築くものと言えるでしょう。

産業界、学界、研究機関の緊密な連携: AI がバッテリーのイノベーションを加速します。

エネルギー革命と技術革新の追求の時代において、電池技術の革新とブレークスルーは長きにわたり社会変革を推進する重要な原動力となってきました。実験室における理論探求から企業生産における実用化に至るまで、産学官の緊密な連携は電池分野を前進させる強力な原動力となりつつあります。

本研究を例に挙げると、グローバルな統合エネルギーソリューションプロバイダーであるファラシス・エナジーは、技術革新を通じてバッテリー技術の持続可能な発展を推進する上で既に大きな成果を上げています。同社の製品ポートフォリオは、高ニッケル三元系、リン酸鉄リチウム、ナトリウムイオン電池といった多様な材料システムに加え、液型や全固体型といった様々なタイプの電池を網羅しています。本研究は、イノベーション主導型開発の概念をさらに具体化し、深化させるものであり、この革新的なアプローチを基盤として、産学官連携の新たな波を起こす可能性を秘めています。

この研究の第一人者である宋子有教授にとって、これは理論を実践に移す重要な試みでもありました。…宋子有教授の研究は、電気自動車、エネルギー貯蔵システム、バッテリーのモデリングと管理に重点を置いています。彼はIEEEやEnergyといったトップクラスのエネルギー・電力ジャーナルに70本以上の論文を発表し、AIとエネルギー分野を融合させた革新的な手法を次々と提案してきました。例えば、ヒース・ホフマンと共同で提案した、畳み込みニューラルネットワークとランダムフォレストに基づくリチウムイオン電池の健康状態の堅牢な推定は、リチウムイオン電池の健康状態の正確な推定という課題の解決を目指しています。これは、電気自動車が毎回フル充電されないなど、日常使用における「電池が完全に充放電されない」という実際のシナリオに焦点を当てています。このような場合、従来の電池の健康状態推定方法は多くの場合不正確です。

論文のタイトル:

畳み込みニューラルネットワークとランダムフォレストを用いたリチウムイオン電池の堅牢な健全性推定
用紙のアドレス:

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

本研究以外にも、杭州典子大学、浙江大学、天能電池集団との連携など、バッテリーイノベーション分野における産学連携の成果が数多くあります。彼らは相関係数とニューラルネットワークの特性を融合させ、スピアマン順位相関と3チャネル畳み込み双方向ゲート型リカレントニューラルネットワーク（TBi-GRU）を組み合わせたバッテリーパック内部短絡故障検出アルゴリズムを提案しました。この手法はバッテリーパックの内部短絡故障を正確に検出でき、バッテリーパックの故障を早期に検出し、バッテリーパックの安全性を確保するための新たなアプローチとインスピレーションを提供します。

論文のタイトル:

スピアマン順位相関とニューラルネットワークを組み合わせた電池パックの内部短絡故障検出
用紙のアドレス:

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

結論として、バッテリーイノベーション分野における産学官連携の模範的な緊密な連携は、人工知能がもはやバッテリー研究開発における外付けツールではなく、むしろ基礎メカニズムの発見、エンジニアリング設計、そしてライフサイクル全体の管理におけるパラダイムシフトを推進する内在化されたコアエンジンであることを繰り返し明確に示してきました。特に、ディープラーニング（DL）などの革新的な手法の出現は、バッテリー研究開発を高コストで長期にわたる「実験と試行錯誤」モデルから、データと物理学の融合によって推進される「予測設計」という新たなパラダイムへと導きつつあります。これは、バッテリーイノベーションにおける「持続可能性のジレンマ」を解決するための新たな技術的道筋を提供するだけでなく、人工知能とエネルギー科学の深い統合の時代をも切り開きます。

参考文献:

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