“當前的人工智能時代具有大型核心，我們可以從這個概念中學習，並建立大型電池模型，以降低成本並提高電池的整個生命週期。 “ 6月9日下午，中國科學院院士Ouyang Minggao在2023年世界電力電池電池會議上的中國科學學院院士說。
目前，中國的電力電池行業已經進入了高質量發展的階段。儘管該行業正在迅速發展，但它也面臨著挑戰，例如降低了安裝容量的增長率，降低了電池系統的毛利率，並加速了產品迭代。在這方面，Ouyang Minggao指出，電池生命週期智能技術是解決相關問題的重要手段和工具。
他說，當前人工智能時代以大型模型作為核心來了。電池可以從這個概念中學習以構建大型電池模型。
據了解，大型模型是從變壓器演變而來的，參考的數量可以達到1億個水平。目前，主流大型模型的數量在100億至1000億之間，這可以構成智力績效和專業知識輸出。
“在收集大量數據後，通過預訓練，形成tranformer和注意機制是100億個參數大型模型的核心。 “在此基礎上，框架系統具有推理能力，可以在不同的領域中使用。示例包括用於智能移動性的自然語言和驅動器的CHATGPT。 “ ”因此，我們還可以預先培訓神經網絡，並基於tranformer，建立我們的電池電池預訓練大型型號，並將其應用於電力電池智能設計，智能設計，智能製造，智能管理，智能回收，智能回收和其他鏈接。
在會議上，Ouyang Ming解釋了電池整個生命週期的智能技術路線圖。他說：“在智能設計和智能電池方面，我們主要使用高精度，多尺度建模技術和電池內部的多維感測；在智能製造和智能設備中；在智能管理和智能管理和智能上，在智能和智能上，它主要依賴生產線大數據，高級數據，在智能管理和智能上，它是基於智能的，它是
在智能上;智能電池設計的條款，中國的電力電池行業經過了實驗試驗和錯誤，模擬驅動階段，正朝著智能自動開發方向發展。智能自動設計包括兩種核心技術：高精度建模和有效的智能優化算法。它可以在設計參數和核心性能之間建立確切的結構活性關係，並自動找到設計過程的最佳和最快路徑。該技術可以將電池研發的效率提高1到2個數量級，並節省70％至80％的研發成本。
可以通過流程數字雙技術，缺陷智能監測技術和生產線大數據分析技術來實現智能電池製造過程。 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可以通過完全挖掘電池生產線數據來降低成本並提高效率
。 “我們可以將傳感器放入電池中，以感知，評估和預測電池中的溫度，潛力，壓力和其他條件，然後通過大型型號管理電池，以進一步提高電池的安全性，功率和耐用性。 ” Ouyang Minggao指出。以熱失控的安全性警告為例，過去很難實現熱失控的安全警告，因為電池的熱失控事故相對較少，而且很難形成大型數據。如今，可以通過少量數據通過人工智能數字雙技術來生成一個大數據庫，以實現熱失控的預測和熱反應調節。
電池回收還需要智能技術。智能電池回收包括智能拆卸，壽命擴展和維修，重組和步驟利用，單體拆卸和材料回收。 “我們可以通過智能技術進行無損的維修，也可以對電池壽命進行預測。
Ouyang Minggao說，隨著人工智能2.0時代的到來，大型模型將極大地提高生產率，這對快速發展的前夕很聰明，但是電池行業在整個生命週期的智能發展過程中仍然面臨一些挑戰，例如數據稀缺性，如何與新的電力學系統開發集成。 “電化學系統繼續進行迭代和升級，尚待研究如何將大型電池模型快速應用於全穩態電池等新系統。
