“当前的人工智能时代具有大型核心，我们可以从这个概念中学习，并建立大型电池模型，以降低成本并提高电池的整个生命周期。 “ 6月9日下午，中国科学院院士Ouyang Minggao在2023年世界电力电池电池会议上的中国科学学院院士说。
目前，中国的电力电池行业已经进入了高质量发展的阶段。尽管该行业正在迅速发展，但它也面临着挑战，例如降低了安装容量的增长率，降低了电池系统的毛利率，并加速了产品迭代。在这方面，Ouyang Minggao指出，电池生命周期智能技术是解决相关问题的重要手段和工具。
他说，当前人工智能时代以大型模型作为核心来了。电池可以从这个概念中学习以构建大型电池模型。
据了解，大型模型是从变压器演变而来的，参考的数量可以达到1亿个水平。目前，主流大型模型的数量在100亿至1000亿之间，这可以构成智力绩效和专业知识输出。
“在收集大量数据后，通过预训练，形成tranformer和注意机制是100亿个参数大型模型的核心。 “在此基础上，框架系统具有推理能力，可以在不同的领域中使用。示例包括用于智能移动性的自然语言和驱动器的CHATGPT。 “ ”因此，我们还可以预先培训神经网络，并基于tranformer，建立我们的电池电池预训练大型型号，并将其应用于电力电池智能设计，智能设计，智能制造，智能管理，智能回收，智能回收和其他链接。
在会议上，Ouyang Ming解释了电池整个生命周期的智能技术路线图。他说：“在智能设计和智能电池方面，我们主要使用高精度，多尺度建模技术和电池内部的多维感测；在智能制造和智能设备中；在智能管理和智能管理和智能上，在智能和智能上，它主要依赖生产线大数据，高级数据，在智能管理和智能上，它是基于智能的，它是
在智能上;智能电池设计的条款，中国的电力电池行业经过了实验试验和错误，模拟驱动阶段，正朝着智能自动开发方向发展。智能自动设计包括两种核心技术：高精度建模和有效的智能优化算法。它可以在设计参数和核心性能之间建立确切的结构活性关系，并自动找到设计过程的最佳和最快路径。该技术可以将电池研发的效率提高1到2个数量级，并节省70％至80％的研发成本。
可以通过流程数字双技术，缺陷智能监测技术和生产线大数据分析技术来实现智能电池制造过程。 Ouyang Minggao introduced: 'The process digital twin technology can promote the efficiency of process development, and is generally used in the manufacturing process of the front segment of the battery pole; Intelligent defect monitoring technology integrates the evolution mechanism of battery defects and artificial intelligence technology, which can make battery quality monitoring and management to a higher level, and is often used in mid-stage battery molding process. The production line big data analysis technology is used in the post-partition process, which可以通过完全挖掘电池生产线数据来降低成本并提高效率
。 “我们可以将传感器放入电池中，以感知，评估和预测电池中的温度，潜力，压力和其他条件，然后通过大型型号管理电池，以进一步提高电池的安全性，功率和耐用性。” Ouyang Minggao指出。以热失控的安全性警告为例，过去很难实现热失控的安全警告，因为电池的热失控事故相对较少，而且很难形成大型数据。如今，可以通过少量数据通过人工智能数字双技术来生成一个大数据库，以实现热失控的预测和热反应调节。
电池回收还需要智能技术。智能电池回收包括智能拆卸，寿命扩展和维修，重组和步骤利用，单体拆卸和材料回收。 “我们可以通过智能技术进行无损的维修，也可以对电池寿命进行预测。
Ouyang Minggao说，随着人工智能2.0时代的到来，大型模型将极大地提高生产率，这对快速发展的前夕很聪明，但是电池行业在整个生命周期的智能发展过程中仍然面临一些挑战，例如数据稀缺性，如何与新的电力学系统开发集成。 “电化学系统继续进行迭代和升级，尚待研究如何将大型电池模型快速应用于全稳态电池等新系统。
