中国科学院院士欧阳明高： 将“大模型”引入动力电池全生命周期管理

图为不同工艺类型的刀片电池壳体

“当前以大模型为核心的人工智能时代已经来临。我们可以借鉴这一概念，构建电池大模型，为动力电池全生命周期降本增效。”6月9日下午，中国科学院院士欧阳明高在2023世界动力电池大会主论坛上表示。

构建动力电池大模型

当前，我国动力电池产业进入高质量发展阶段。产业在快速发展的同时，也面临着装机量增速放缓、电池系统毛利率降低、产品迭代加快等挑战。对此，欧阳明高指出，电池全生命周期智能化技术是解决相关问题的重要手段和工具。

他表示，当前以大模型为核心的人工智能时代已经来临。动力电池可以借鉴这一概念，构建电池大模型。

据了解，大模型由Transformer演化而来，参数量可达到亿级别。目前主流大模型参数量在百亿至千亿之间，可形成智力表现与专业知识输出。

“在收集到海量数据后，通过预训练，形成以Tranformer和注意力机制为核心的百亿参数大模型。在此基础上构成的框架型系统具备推理能力，可被应用于不同领域。例如自然语言方面的ChatGPT和智能出行方面的DriveGPT等。”欧阳明高解释道，“因此，我们也可以预训练神经网络，并以Tranformer为基础，来构建我们的动力电池预训练大模型，并将其应用于动力电池智能设计、智能制造、智能管理、智能回收等环节。”

基于电池大模型实现全生命周期智能化

会上，欧阳明高深度解读电池全生命周期智能化技术路线图。他介绍道：“在智能设计与智能电池方面，我们主要采用高精度、多尺度建模技术和电池内部多维传感；在智能制造与智能装备方面，主要依靠产线大数据、先进制造技术、单机智能化与多机协同；而在智能管理和智能回收方面，则主要是靠大模型与主动调控。”

据介绍，在电池智能设计方面，我国动力电池产业已历经实验试错、仿真驱动阶段，正朝向智能化全自动方向发展。智能化全自动设计包括高精度建模和高效智能寻优算法两大核心技术。借助大模型，可以建立设计参数与核心性能的精确构效关系，并为设计过程自动寻找最优最速路径。该技术可将电池研发效率提升1至2个数量级，节省研发费用的70%至80%。

电池制造过程的智能化，则可以通过工艺数字孪生技术、缺陷智能监测技术、产线大数据分析技术来实现。欧阳明高介绍道：“工艺数字孪生技术可以促进工艺开发效率提升，一般被用于电池前段极片制造工艺；缺陷智能监测技术融合电池缺陷演化机理和人工智能技术，可以使电池质量监控管理再上一个台阶，常被用于中段电池成型工艺；而产线大数据分析技术则被用于后段分容化成工艺，通过充分挖掘电池产线数据，进行智能预测和决策，从而实现降本增效。”

智能管理是电池全生命周期智能化技术中不可缺少的一环。“我们可以把传感器放到电池里，对电池内温度、电位、压力等情况进行感知、评估与预测，然后再通过大模型进行电池管理，进一步提升电池安全性、动力性和耐久性。”欧阳明高指出。以热失控安全预警为例，从前要实现热失控安全预警非常困难，因为动力电池热失控起火事故相对较少，很难形成大规模数据。而如今，可以通过人工智能数字孪生技术，基于少量数据，生成一个大型数据库，实现热失控预判和热反应调控。

电池回收同样需要智能技术。电池智能回收包括智能拆解、延寿与修复、重组与梯级利用、单体拆解与材料回收四个环节。“我们可以通过智能技术进行非破坏性修复，也可以对电池寿命进行预测。”欧阳明高介绍说。

欧阳明高表示，随着人工智能2.0时代的到来，大模型将大幅提升生产力，智能化到了快速发展落地的前夕，然而动力电池产业在全生命周期智能化发展过程中还面临一些挑战，例如数据稀缺、如何与新的电化学体系融合发展等。“电化学体系不断迭代升级，电池大模型如何快速应用于全固态电池等新体系，还有待研究。”欧阳明高说。

责任编辑：龚倩