SMC 資料庫

議題背景

來自史丹佛大學、麻省理工學院、勞倫斯伯克利國家實驗室（Lawrence Berkeley National Laboratory)、豐田研究中心（Toyota Research Institute與SLAC國家加速器實驗室（SLAC National Accelerator Laboratory）等研究團隊，開發了一個結合機器學習的新方法，結果只花16天就在224個候選的充電方法中，找到最佳的鋰電池充電程序，若沒有借助機器學習的預測能力，原本需要500多天才能做到。研究團隊期望這個技術可以幫助縮短研發鋰電池的時程，加速電池創新的研究。

此篇研究於2020年2月19日發表在《自然》（Nature）期刊。

• 研究原文：Attia, Peter M., et al. (2020).“Closed-loop optimization of fast-charging protocols for batteries with machine learning.”Nature, 578(7795), 397-402.
• 新聞報導：

1. 科技報橘〈MIT、史丹佛、豐田三強實驗：用 AI 研究鋰電池，兩年研發時程縮短到只剩一個月！〉
2. Matthew Vollrath. (2020).“New machine learning method from Stanford, with Toyota researchers, could supercharge battery development for electric vehicles.” Stanford News, February 19. Retrieval Date: 2020/11/11

但是，目前運用AI協助研發鋰電池的侷限為何？這樣的技術有何特別，已經可以實際應用了嗎？我們邀請專家根據研究文獻的內容釋疑。

專家怎麼說？

2020年11月25日
國立交通大學材料科學與工程學系所系副教授 鄒年棣

此篇研究基於「電池壽命預測模型」[1]與「貝葉斯優化演算法」，提出了一個量測流程，可高效率地找出最佳快充程序，為電池產業開拓全新的路徑。然而，此流程應用性仍取決於預測模型的準確率、所需要的電池循環次數的資料筆數，以及對不同充電程序預測的泛用性。作者群藉由124顆鋰電池的充放電完整循環資料，訓練AI模型。在模型預測一顆新做好的電池壽命時，即使已知它的充放電程序，仍需要該電池從「剛製作完成狀態」充放電0至100次循環的資料，這是最大的難處。而預測電池的壽命均方根誤差[2]約122循環（平均壽命為805循環）。由此可知，AI模型預測壽命時所需要的資料筆數仍偏高，電池測完後只剩7/8的壽命，且預測誤差不小。所以對於市場上大部分不知道已經用過幾個循環的二手電池，AI無法準確預測；且若模型遇到沒看過的充電程序，預測準確率也會下降；電池之間亦有個體差異，最佳充電策略不一定皆通用。因此推得的最佳充電程序仍需要驗證和修改，且與實際應用還有些距離。

針對電池如此複雜的問題，我推測可能需要發展多個「分工AI模型」以增加預測的效能，且需要降低資料量至100次循環以下，才能真正達到加速開發的終極目標。分工AI模型例如：專門從資料抓取特徵的AI模型、專門預測與電池壽命相關參數（如壽命終結時的充電時間或內電阻）以輔助預測電池壽命的AI模型等。此外，為了強迫AI模型學習預測沒看過的充電程序的電池，可特意將同一種充電程序的所有電池都當做測試資料集。如此開發者可確實掌握AI模型是否真正學習到不同的充電程序。最後，針對未知循環使用次數的二手電池，可能需要將訓練資料集切割成不同起始循環的片段來訓練AI模型，不能只有充放電0至100次的資料，可能包含例如1至101次或50至150次等任意片段的充放電資料，讓模型學習不同的電池初始條件。最後要提醒的是，以上電池資料皆以「全充全放」的方式完成單顆電池的每次循環，但在現實生活中通常都是數顆電池一組，且隨使用者狀況或喜好而部分充放。這些不確定因素可能需要提供更大量的使用資料給AI模型才可解決。總結來說，此篇研究開拓了電池開發與設計的新道路。未來仍須仰賴各方研究克服以上難關，以提高「電池壽命預測模型」的應用性。

相關利益聲明：無相關利益

註釋與參考資料：

[1] Severson, K. A. et al. (2019). “Data-driven prediction of battery cycle life before capacity degradation.“ Nature Energy, 4(5), 383-391.

[2] 編註：均方根誤差又稱標準誤差，是最常用且較不失公平性的誤差評估方式。