AIが拓くバッテリー性能予測の新時代
電気自動車や再生可能エネルギー貯蔵システム向けのバッテリー性能評価を革新する人工知能プラットフォームが登場した。北京大学深圳大学院と上海ジェンサムテクノロジーの研究チームが開発した「BatAi Craft」は、機械学習アルゴリズムと高度なデータ処理機能を統合し、バッテリーの状態、寿命、一貫性を精密に評価する能力を備えている。
世界的な電気自動車と再生可能エネルギー貯蔵の需要急増に伴い、バッテリーメーカーには高性能で信頼性が高く長寿命なエネルギー貯蔵ソリューションの提供が強く求められている。従来のバッテリーテスト方法は、時間とリソースを要する物理実験に依存することが多く、現代市場が要求する迅速なイノベーションサイクルに対応できなくなっている。焦毓娟、張泉泉、陳寧波、鄭嘉鑫らが率いる研究チームは、AIを活用して大量のバッテリーテストデータから意味のある洞察を抽出するインテリジェントビッグデータ分析システムを導入した。
この画期的なプラットフォームは、データ統合性の低さ、分析ツールの限界、拡張性の不足といった既存のバッテリーデータプラットフォームの重大な制約を解決する標準化された分析フレームワークを提供する。従来のシステムがバッテリー性能の孤立した側面に焦点を当てることが多いのに対し、BatAi Craftはデータ前処理、特徴量抽出、健康状態推定、サイクル寿命予測、一貫性分析を単一のユーザーフレンドリーな環境内で組み合わせた総合的なアプローチを提供する。
多様なデータ源の標準化と調和を行う能力が、このプラットフォームの中核的な強みである。バッテリーテストでは、BlueSensやNewareシステムなどのさまざまな電気化学計器、シミュレーション出力、NASAやMITなどの公開データセットから、膨大な量の異種データが生成される。これらのデータセットは、多くの場合、異なる形式、サンプリングレート、メタデータ構造で提供されるため、統合が大きな課題となる。BatAi Craftは、タイムスタンプの再サンプリング、単位変換、外れ値検出、欠損値補完を実行する自動データ取り込みパイプラインを通じてこの課題を克服する。これにより、テラバイト級の情報を扱える集中データベースに保存される前に、すべての入力データが清浄化、正規化、構造化される。
データ管理を超えて、このプラットフォームは様々な時間的・運用的スケールにわたる多層的な電気化学指標の生成に優れている。瞬間レベルでは、電圧、電流、温度、電力、エネルギーなどのリアルタイムパラメータを捕捉する。容量-電圧レベルでは、電圧対充電量（V-Q）、増分容量分析（ICA）、差分電圧（DV）プロファイルなど、バッテリー劣化メカニズムに対する感度で広く認識されている主要な診断曲線を計算する。サイクルレベルでは、容量減少、クーロン効率、DC内部抵抗、平均電圧、ICAピーク特性などの指標を経時的に追跡する。最後に、セルレベルでは、初期および最終容量、公称電圧、サイクル数、推定寿命などの性能要約を集約する。
これらの標準化された指標は、より深い分析タスクの基礎となる。BatAi Craftの重要なコンポーネントは、生データから200以上の異なる電気化学的特徴を抽出する自動特徴量エンジニアリングモジュールである。状態（SOH）推定のために、このプラットフォームは特定の充電セグメント（単一の定電流段階または多段階プロトコルにおける最終充電段階）を分析し、堅牢な健康指標を特定する。電圧緩和、エントロピー変化、統計的分散、増分容量ピークから導出された特徴量は、相関分析とツリーベースの再帰的除去を使用して自動的に計算およびスクリーニングされ、冗長または無関係な変数が除去される。このプロセスにより、下流のモデリングで最も予測力が高く解釈可能な特徴量のみが使用される。
結果として得られるモデルは、様々な充電条件にわたるSOH推定で卓越した精度を示す。メリーランド大学のCACLEプロジェクト（CS2およびCX2セル）と124の商業用1.1Ah LFPバッテリーからなるコホートのデータセットでテストした場合、このプラットフォームは0.02未満の二乗平均平方根誤差と0.97を超える決定係数（R²）値を達成した。これらの結果は、同様の条件下で0.025のRMSEを示したBaghdadiらによる報告を含む、従来のベンチマークを上回るものである。特に、BatAi Craftは部分充電データを扱う場合でも高精度を維持する。これは、完全充放電サイクルが完了することが稀な実世界のアプリケーションにおいて極めて重要な利点である。
同等に印象的なのは、バッテリーサイクル寿命と劣化軌道を予測するプラットフォームの能力である。従来の方法では、信頼性のある寿命推定を行う前に、バッテリーが大幅に劣化（初期容量の85％を超えることもある）する必要があることが多い。対照的に、BatAi Craftは最初の100サイクルからのデータを使用して早期予測を可能にし、開発タイムラインを劇的に短縮する。このシステムは、ニーポイント法とSOHベース法という2つの相補的なアプローチを採用する。
ニーポイント法は、容量減少曲線の変曲点を検出することにより、加速劣化の開始を特定する。tanhベースの数学的定式化を使用して、アルゴリズムは性能低下が急激に増加する「ニー」領域の開始点、中間点、終了点を特定する。これらの点はランダムフォレスト回帰を使用して初期サイクルの特徴量にマッピングされ、モデルが総サイクル寿命だけでなく完全な劣化軌道も予測できるようにする。一方、SOHベース法は、特定の健康閾値（95％、90％、85％、80％）に達するために必要なサイクル数を予測し、将来の性能についての詳細な洞察を可能にする。
ベンチマークデータセットでの検証は、両方の方法が軌道予測において高い忠実度を達成することを示している。ニーポイントアプローチは、約37サイクルの平均絶対誤差と6.14％の平均絶対パーセント誤差をもたらし、約97サイクルのRMSEを報告したIbraheemらによる以前の研究を上回る。サイクル寿命予測のみの場合、このプラットフォームは平均パーセント誤差を5.39％に減少させ、Seversonらによる以前の研究の9.1％と比較して改善されている。重要なのは、このシステムがすべての予測に対して不確実性の定量化を提供し、エンジニアリング意思決定における信頼と使いやすさを高める95％信頼区間を提供することである。
もう一つの主要な革新は、バッテリー一貫性分析に対するプラットフォームのアプローチである。バッテリーパックでは、個々のセル間の変動が不均衡な老化、パック効率の低下、熱暴走のリスク増加につながる可能性がある。平均と分散に基づく従来の一貫性指標は外れ値の影響を受けやすく、均一な動作条件を仮定することが多い。これらの仮定は実世界のテストでは往々にして成立しない。BatAi Craftは、電気化学的挙動の類似性に基づいてセルをクラスタリングするグラフ理論的手法を導入する。一貫した電圧、電流、温度プロファイルを示すセルは接続された部分グラフにグループ化され、異常なユニットは孤立したクラスターを形成する。このトポロジーベースの評価はノイズに対してより堅牢であり、スカラー指標単独よりも豊富な診断情報を提供する。
この技術の実用的な意義は、実験室研究をはるかに超えている。迅速、正確、自動化されたバッテリー評価を可能にすることで、BatAi Craftは製品開発サイクルを加速し、物理的な試作への依存を減らし、製造における品質管理を支援する。電気自動車OEMにとって、初期サイクルデータからバッテリー寿命と状態を予測する能力は、新しい化学物質とセル設計の検証をより迅速に行うことを意味する。グリッド規模のエネルギー貯蔵オペレーターにとって、バッテリー状態の一貫した監視は安全性を高め、メンテナンススケジュールを最適化し、投資収益率を向上させる。
さらに、このプラットフォームのアーキテクチャは拡張性と適応性を考慮して設計されている。カスタムモデルトレーニングをサポートし、ユーザーが独自のデータセットでアルゴリズムを微調整できるようにする。そのモジュラー設計は、リチウム析出検出、内部短絡診断、または初回サイクル効率分析などの新しい分析モジュールの統合を容易にする。チームが議論で指摘しているように、将来の強化には、ラボ実験と現場操作の間の所謂「電気化学的ギャップ」を埋める、様々なバッテリー種類、材料、使用ケースにわたって一般化できる事前訓練済みマルチモーダルモデルの組み込みが含まれる可能性がある。
BatAi Craftの出現は、バッテリー科学におけるデータ駆動型インテリジェンスへのより広範な傾向を反映している。物理ベースのモデルは基本的なメカニズムを理解するために不可欠であるが、日常的な産業用途には複雑すぎたりパラメータ集約的であることが多い。純粋にデータ駆動型の深層学習モデルは強力であるが、解釈性が低く一般化能力に欠ける。BatAi Craftは、ドメイン知識と機械学習を組み合わせることでバランスをとり、予測が正確であるだけでなく電気化学的原理に基づいていることを保証する。
このハイブリッドアプローチは、透明性と信頼が最も重要である産業アプリケーションにおける説明可能なAIへの重点の高まりと一致している。ICAピークのシフトや電圧緩和プロファイルの変化などの既知の劣化シグネチャに基づいて特徴量抽出を自動化することにより、このプラットフォームは物理的現実との強いつながりを維持し、その出力をエンジニアや研究者にとってより実用的にする。
将来的には、大規模言語モデルと自然言語インターフェースの統合により、高度なバッテリー分析へのアクセスがさらに民主化される可能性がある。バッテリーエンジニアが単に「この新しいNMC811製剤は45°Cで2000サイクル後にどのように性能を発揮するか？」と尋ね、不確実性の範囲と支持する視覚化を伴った詳細な予測を受け取るシナリオを想像してみてほしい。そのような能力は、基盤モデルとマルチモーダル学習の進歩によって推進され、実現間近である。
バッテリー生産がテラワット時時代に規模拡大するにつれて、インテリジェントで自動化された拡張可能な分析プラットフォームの必要性は、望ましいだけでなく必須となる。BatAi Craftは、生データと実践可能な洞察の間のギャップを埋める統一ソリューションを提供することで、その未来に向けた重要な一歩を表している。その開発は、クリーンエネルギー技術における最も差し迫った課題の一つを解決するために、電気化学、データサイエンス、ソフトウェアエンジニアリング、産業応用の専門知識を融合させる学際的協力の重要性を強調している。
研究者とメーカーに、より深く、より速く、より信頼性の高いバッテリーインテリジェンスを提供することで、このプラットフォームは持続可能な輸送とエネルギーシステムへの移行を加速する上で極めて重要な役割を果たすことが期待される。産業が進化し続ける中、BatAi Craftのようなツールは次世代バッテリーの全潜在能力を解き放つ上で不可欠となるだろう。
焦毓娟、張泉泉、陳寧波、鄭嘉鑫ら 北京大学深圳大学院、上海ジェンサムテクノロジー Energy Storage Science and Technology doi: 10.19799/j.cnki.2095-4239.2024.0635