Prof. Helge Stein, Forschungs-Daten standardisieren für den Einsatz von KI.

Wenn Forschungs-Daten standardisiert vorliegen würden, könnte damit eine KI perfekt arbeiten und die Forschenden unterstützen. Wie das genau geht, erklärt Prof. Helge Stein von der TU München. Die Erhebung und Standardisierung von Forschungsdaten sind essenziell für die Qualität und Vergleichbarkeit wissenschaftlicher Ergebnisse.

"Geladen Podcast"-Video: "Game Changer der Batterieforschung: Forschungsdaten und KI - Prof. Helge Stein".

Batterie-Forschung allgemein.

Die Forscher der University of Missouri haben sich eingehend mit den Problemen von Festkörperbatterien befasst und Möglichkeiten zu ihrer Überwindung untersucht. Sie nutzten 4D Rastertransmissionselektronenmikroskopie (STEM), um die atomare Struktur zu analysieren und identifizierten eine Zwischenphasenschicht zwischen Festelektrolyt und Kathode als Ursache für Probleme. Das Ziel ist die Optimierung der Leistung des Festkörperelektrolyten (SSE) durch die Verbesserung von Ionenleitfähigkeit, Stabilität und Lebensdauer. Die Grenzen aktueller Materialien erschweren dies, und die Entwicklung leistungsstarker SSE-Materialien ist entscheidend, um das volle Potenzial von Festkörperbatterien freizusetzen.

Weiterer Artikel zum Thema Batterieforschung von Clare Grey:

Spektroskopische Ansätze zur Untersuchung von Batterien.

BATTERY 2030+ Exzellenzseminar Clare Grey.

Metalloxide und -sulfide gehören zu den am häufigsten untersuchten Materialien mit vielversprechenden Festkörperelektrolyten SSEs. Besonders hilfreich ist dabei die Untersuchung von Hydriden als SSEs, die eine hohe Redox- und mechanische Stabilität sowie eine durchschnittliche zweiwertige Ionenleitfähigkeit bei Raumtemperatur aufweisen. Dank ihrer hohen Ionenleitfähigkeit und niedrigen Aktivierungsenergie haben sich Hydride als vielversprechend für die Entwicklung von SSE erwiesen. Die Herausforderung besteht darin, dass die experimentelle Entdeckung von SSE auf ineffizienten und zeitaufwändigen Versuch-und-Irrtum-Methoden beruht.

Um dieses Problem zu lösen, benötigen wir computergestützte Forschung, um die Ionenmigrationsmechanismen zu verstehen und neue Festkörperelektrolyte zu entdecken. Theoretische Ansätze bieten tendenziell systematischere und schnellere Möglichkeiten zur Erforschung von Materialeigenschaften. Hinzu kommen Fortschritte bei grossen Sprachmodellen (LLMs), die datenbasierte Methoden weiter verbessern und theoretische Vorhersagen verbessern. Dennoch ist es aufgrund der Komplexität der SSE-Materialien eine Herausforderung, mit theoretischen Methoden eine hohe Genauigkeit zu erreichen. Um die Hindernisse bei zweiwertigen Festkörperelektrolyten (SSEs) zu überwinden, haben Forscher in einer neuen Studie einen integrierten Arbeitsablauf entwickelt, der Data Mining, KI-gesteuerte Analyse, Regression durch maschinelles Lernen, globale Struktursuche und Ab-initio-Simulationen kombiniert. Ziel dieser Forschung ist es, unser Verständnis zweiwertiger SSEs zu verbessern und einen robusten Rahmen für die Vorhersage und Entwicklung neuer SSE-Kandidaten zu schaffen. Dies wird wiederum die Entdeckung optimierter SSE-Optionen beschleunigen und so die Entwicklung tragfähiger Energiespeichertechnologien vorantreiben.

Forscher der Tohoku-Universität haben ein datengesteuertes KI-Framework entwickelt. Im Gegensatz zum herkömmlichen Ansatz, bei dem jedes Material getestet wird, identifiziert dieses Framework potenzielle SSE-Kandidaten. Das entwickelte Modell wählt nicht nur optimale Kandidaten aus, sondern kann auch den Reaktionsverlauf vorhersagen. Darüber hinaus zeigt es, warum ein bestimmter Kandidat eine gute Wahl ist, indem es Einblicke in mögliche Mechanismen liefert und Forschern so den Einstieg erleichtert, noch bevor sie das Labor betreten. Dieses fortschrittliche KI-Framework ist mit dem Large Language Model (LLM) integriert. Durch die Einbeziehung weiterer datenbasierter Techniken greift das Vorhersagemodell sowohl auf rechnerische als auch auf experimentelle Daten zurück. Auf diese Weise bietet die Studie den Forschern eine solide Option mit dem besten Ergebnis. Dies sind jedoch nur die ersten Schritte hin zu nachhaltigen Energielösungen. Das Team plant, die Anwendung seines Frameworks auf verschiedene Elektrolytfamilien auszuweiten. Es erwartet, dass generative KI-Tools bei der Untersuchung von Ionenmigrationswegen und Reaktionsmechanismen hilfreich sein und die Vorhersagekraft der Plattform verbessern werden.

Neben der Materialentwicklung wird KI auch in anderen Bereichen eingesetzt:

Zur Optimierung von Produktionsprozessen bei Lithium-Batterien.

Laut Forschern der RWTH Aachen wurden rund 2’100 Ursache-Wirkungs-Beziehungen identifiziert, die bei der Herstellung von Lithium-Batterien die Zellqualität mindern können. Bereits kleine Abweichungen können massive Auswirkungen haben und zu Ausschussraten von über 10 Prozent führen. Mit Hilfe von KI-Datenanalysen soll die Fehlerquote in Zukunft deutlich reduziert werden. Spezialisierte KI-Anwendungen führen dazu automatisierte Fehlerursachenanalysen durch, um die Ursachen von Qualitätsabweichungen zu identifizieren. Darüber hinaus überwachen KI-Anwendungen den Zustand der Maschinen in der Produktionslinie. So können Probleme frühzeitig erkannt und durch eine intelligente, proaktive Wartungsplanung vermieden werden. Insgesamt versprechen diese KI-Ansätze deutliche Effizienzsteigerungen, Qualitätsverbesserungen und Kosteneinsparungen, die kurzfristig realisiert werden können.

Zur Verbesserung der Lebensdauer und Effizienz von Batteriespeichern.

Im Forschungsprojekt „Longer“ entwickelt VARTA gemeinsam mit Partnern ein Batterie-Management auf Basis von maschinellem Lernen und KI, um die Lebensdauer von Batteriespeichern zu erhöhen. Die KI soll die typischen Betriebsweisen von Heimspeichern und deren Wirkung auf die Batterie präziser abbilden und so die verfügbare Kapazität optimal ausnutzen und die Batterie schonen. Im Rahmen von Longer nutzt VARTA KI, um Modelle des Nutzerverhaltens und der Batterie-Alterung zu entwickeln. Die KI soll nicht nur Lastgänge analysieren, sondern auch lernen, wie die Batterie in einer bestimmten Situation geladen oder entladen werden sollte, um auf Dauer effizient zu arbeiten. Mit der Zeit kann sie den State-of-Health (Gesundheitszustand) vorhersagen, was eine vorausschauende Steuerung ermöglicht. Ein solches KI-basiertes Batterie-Management kann die Kapazität optimal nutzen und die Lebensdauer maximieren. Effiziente Simulationsmethoden bzw. digitale Zwillinge erlauben eine Validierung in vertretbaren Zeiten und das Testen von Grenzszenarien.

Zur Erkennung von Defekten.

Zur Vorhersage des Ladezustands (State of Charge) und des Gesundheitszustands (State of Health) einer Batterie. Ein Forschungsprojekt ist optimistisch, die Zahl der Ladezyklen mit KI-Unterstützung mindestens verdoppeln, verdreifachen oder sogar verzehnfachen zu können.

FAIR-Kriterien (Findable, Accessible, Interoperable, Reusable).

Entscheidend für den Erfolg von KI in der Batterieforschung ist jedoch ein wesentlich besseres Datenmanagement. Derzeit herrscht oft noch „Wildwest“, bei dem Forschungsdaten nicht standardisiert, computerlesbar oder wieder auffindbar sind. Die Idee ist, Daten nach den FAIR-Kriterien (Findable, Accessible, Interoperable, Reusable) zu verwalten. Standardisierte Daten ermöglichen es KI-Modellen, auf grosse Mengen an Forschungsdaten zuzugreifen. Ein integrierter Arbeitsablauf, der Rechenmodelle, Experimente und datengesteuerte Analysen kombiniert, kann die Entwicklung beschleunigen. Professor Helge Stein schlägt vor, dass allein die vollständige Standardisierung aller durchgeführten Messungen eine hundertfache Beschleunigung ermöglichen könnte, selbst ohne viel KI oder Automatisierung. KI und Automatisierung machen es dann noch besser. Die Kombination von Materialwissenschaft und maschinellem Lernen birgt enormes Potenzial für die Entwicklung leistungsstarker und nachhaltiger Batterielösungen.

Das Ziel ist, die kreative Forschung für menschliche Wissenschaftler zu ermöglichen, indem stupide, repetitive Aufgaben im Labor durch Automatisierung und KI übernommen werden. In Zukunft könnten Wissenschaftler Experimente durchführen lassen, anstatt sie selbst machen zu müssen, während sie sich auf die Planung und Interpretation konzentrieren. Zwar wird es immer manuelle Anteile und „one-off“ Experimente geben, bei denen Automatisierung keinen Sinn macht.

Die Idee von KI-Batterieforschung darin besteht, die Komplexität und Langsamkeit der traditionellen Methoden zu überwinden, indem KI für die Materialentdeckung und -optimierung, die Beschleunigung von Simulationen, die Optimierung von Produktionsprozessen und das Batteriemanagement eingesetzt wird. Dies erfordert als Grundlage ein robustes und standardisiertes Forschungsdatenmanagement, um das volle Potenzial der KI auszuschöpfen und die Entwicklung neuer, leistungsfähiger und nachhaltiger Batterien drastisch zu beschleunigen.

Wie kann man Messungen international standardisieren?

Professor Helge Stein von der TU München (Video) vertritt sogar die These, dass allein durch die komplette Standardisierung aller durchgeführten Messungen eine hundertfache Beschleunigung möglich wäre, selbst ohne viel KI oder Automatisierung. KI und Automatisierung würden diesen Prozess dann noch weiter verbessern.

Derzeit ist das Forschungsdatenmanagement im Batteriefeld oft noch sehr unorganisiert. Forschungsdaten werden oft nicht standardisiert, sind schwer computerlesbar und wieder auffindbar. Dies führt dazu, dass Versuche möglicherweise doppelt oder dreifach durchgeführt werden, selbst innerhalb derselben Institution, und erschwert es Forschern weltweit, aufeinander aufzubauen und von den Ergebnissen anderer zu profitieren. Dadurch wird sehr viel Zeit verschwendet.

Um dies zu ändern, ist ein wesentlich besseres Datenmanagement erforderlich. Dies basiert auf der Idee, Daten nach den sogenannten FAIR-Kriterien zu verwalten:

• Findable (Auffindbar): Die Daten müssen auffindbar sein, im Idealfall über Suchmaschinen.
• Accessible (Zugänglich): Sie müssen frei zugänglich sein, da Forschungsdaten leider oft noch hinter Bezahlschranken liegen.
• Interoperable (Interoperabel): Die Daten müssen in Formaten gespeichert werden, die von verschiedenen Systemen und Softwares gelesen und verarbeitet werden können (z.B. nicht nur in proprietären Formaten wie einer bestimmten Excel-Tabelle).
• Reusable (Wieder nutzbar): Dies ist der entscheidendste Punkt.

Die Daten müssen so gut dokumentiert sein, dass andere Wissenschaftler verstehen können, was gemessen wurde und unter welchen Bedingungen. Dies beinhaltet das Verständnis von Begrifflichkeiten (z.B. ob "Reiben" anstatt "Potenzial" oder "Voltage" anstatt "Zeit" gemeint ist). Wieder nutzbare Daten ermöglichen es anderen, darauf aufzubauen und potenziell neue Erkenntnisse zu gewinnen.

Praktisch bedeutet die Standardisierung die Nutzung von computerlesbaren "Schemata" oder "Formularen", die präzise dokumentieren, was unter welchen Bedingungen gemacht wurde. Diese Schemata ermöglichen eine standardisierte Kommunikation und das Zusammenführen von Daten aus unterschiedlichen Quellen, wie theoretischen Berechnungen und physikalischen Experimenten.

Ein konkretes Beispiel für einen solchen standardisierten Arbeitsablauf wurde in einem grossen EU-Projekt demonstriert. Dort nutzten rund zehn Partneruniversitäten einen sogenannten "Broker Server" (Marktplatz) und standardisierte Formulare zur direkten Kommunikation und Koordination von Experimenten über grosse Entfernungen hinweg. Anstatt einer langen "stillen Post"-Kette, wurden Messanforderungen und Ergebnisse über den Broker Server ausgetauscht, was die Optimierung von Elektrolytleitfähigkeit und Batterielebenszeit ermöglichte.

Eine robuste und standardisierte Dateninfrastruktur ist die Grundlage dafür, dass KI-Modelle auf grosse Mengen an Forschungsdaten zugreifen können. Erst auf Basis dieser standardisierten Daten können KI-Algorithmen effektiv angewendet werden, um beispielsweise das nächste optimale Experiment vorzuschlagen, Berechnungen zu beschleunigen oder Materialeigenschaften vorherzusagen. Die Kombination aus standardisierter Kommunikation und KI kann sich gegenseitig verstärkende Effekte erzielen und zu einer deutlich schnelleren Forschung führen.

Obwohl das Bewusstsein für die Notwendigkeit von Datenmanagement und Standardisierung gewachsen ist und es Fortschritte gibt (z.B. durch Initiativen wie von der DFG in Deutschland), ist die Vergleichbarkeit von Daten im Batteriefeld noch nicht dort, wo sie sein müsste. Es bedarf noch der Schaffung einheitlicher Standards, wie Daten publiziert und berichtet werden. Herausforderungen bestehen auch darin, Forschende zur Offenlegung ihrer Daten zu motivieren und die Qualität der geteilten Daten zu validieren.

Die Idee hinter der internationalen Standardisierung von Messungen in der Batterieforschung ist, die derzeitige Ineffizienz durch mangelhaftes Datenmanagement zu überwinden und eine Grundlage zu schaffen, die Forschungsergebnisse vergleichbar, nachvollziehbar und für die Weiterentwicklung (insbesondere mit Hilfe von KI) nutzbar macht, um so die Entdeckung und Optimierung neuer, leistungsfähiger Batteriematerialien und -technologien dramatisch zu beschleunigen. 

Wie erzielt man bessere Kennzahlen für das Kathodenmaterial?

Die Verbesserung der Kennzahlen von Kathodenmaterialien ist ein zentraler Aspekt der Batterieforschung, da sie eine der Hauptkomponenten einer Batterie sind. Traditionell ist die Optimierung von Batterien und ihren Komponenten komplex, da die Wechselwirkungen der einzelnen Teile im Gesamtsystem schwer vorherzusagen sind. Ein Material, das isoliert betrachtet nicht die besten Kennzahlen aufweist (wie im Beispiel von LFP-Kathodenmaterial), kann im System dennoch eine gute Leistung erzielen. Die Forschung konzentriert sich darauf, sowohl die Eigenschaften einzelner Komponenten als auch deren Interaktionen zu verstehen und zu verbessern.

Der Schlüssel zur beschleunigten Verbesserung und Bewertung von Materialien – einschliesslich Kathodenmaterialien – liegt in zwei eng miteinander verbundenen Bereichen: umfassendes Datenmanagement/Standardisierung und der Einsatz von Künstlicher Intelligenz (KI).

Verbessertes Datenmanagement und Standardisierung.

Daten sind oft nicht standardisiert, computerlesbar oder leicht wiederauffindbar. Dies führt zu Ineffizienzen, wie z. B. der doppelten Durchführung von Experimenten, und erschwert es Forschenden weltweit, aufeinander aufzubauen. Um bessere Kennzahlen für Materialien wie Kathoden zu erzielen und deren Eigenschaften nachvollziehbar zu machen, ist ein wesentlich besseres Datenmanagement erforderlich. Durch die Standardisierung von Messverfahren und der Erfassung der Ergebnisse wird die Vergleichbarkeit von Daten aus verschiedenen Laboren oder Institutionen ermöglicht. Dies ist entscheidend, um die Qualität und Leistung von Materialien wie Kathoden objektiv bewerten zu können. Ohne vergleichbare Daten sind "bessere" Kennzahlen kaum aussagekräftig.

Einsatz von Künstlicher Intelligenz (KI).

Eine robuste und standardisierte Dateninfrastruktur ist die notwendige Grundlage dafür, dass KI-Modelle überhaupt auf grosse Mengen an Forschungsdaten zugreifen können. KI kann mit diesen standardisierten Daten trainiert werden, um die Entwicklung und Optimierung von Materialien zu beschleunigen. Anstatt auf ineffiziente und zeitaufwändige Versuch-und-Irrtum-Methoden zu setzen, können KI-gestützte theoretische Ansätze systematisch und schnell Materialeigenschaften erforschen. KI kann eingesetzt werden, um Berechnungen zu den Eigenschaften einzelner Komponenten wie Aktivmaterialien und Elektrolyten zu beschleunigen.

Darüber hinaus kann KI helfen, das nächste optimale Experiment vorzuschlagen. Durch die Analyse vorhandener (standardisierter) Daten kann ein KI-Modell Vorhersagen treffen und den Forschenden Empfehlungen geben, welche Versuche am vielversprechendsten sind, um viel zu lernen und gleichzeitig zu guten Ergebnissen zu kommen.

Ein konkretes Beispiel für die Leistungsfähigkeit von KI bei der Materialsuche ist ein Projekt, bei dem 32 Millionen potenzielle Materialien für neue Akkus analysiert wurden. KI identifizierte 18 vielversprechende Kandidaten in nur 80 Stunden, ein Prozess, der normalerweise Jahre oder Jahrzehnte dauern würde. Obwohl dieses Beispiel Materialien für Akkus mit weniger Lithium betrifft, zeigt es die Anwendbarkeit von KI zur beschleunigten Entdeckung und Bewertung von Materialien, was auch für Kathoden gilt. KI kann auch helfen, das Verhalten von Komponenten im System vorherzusagen, was für die Optimierung der Gesamtbatterieleistung wichtig ist.

Bessere Kennzahlen für das Kathodenmaterial werden erzielt, indem Forschungsergebnisse und Messdaten standardisiert erfasst und geteilt werden, um sie vergleichbar, nachvollziehbar und wiederverwendbar zu machen (FAIR-Prinzipien und Schemata). Diese standardisierte Datenbasis ermöglicht dann den effektiven Einsatz von KI und maschinellem Lernen, um die Entdeckung neuer Materialkandidaten zu beschleunigen, ihre Eigenschaften zu simulieren und vorherzusagen sowie optimale Experimente vorzuschlagen. Diese Kombination aus datengesteuerter Forschung und KI kann die Entwicklung neuer und verbesserter Kathodenmaterialien dramatisch beschleunigen.

Wie bildet man mit KI die Interaktion einzelner Komponenten besser ab?

Obwohl jede Komponente für sich betrachtet potenziell perfekt sein könnte, ist es oft schwierig, die Systemeffekte vorherzusagen, die sich aus dem Zusammenspiel dieser einzelnen Komponenten ergeben. Ein Beispiel hierfür ist das LFP-Kathodenmaterial, das für sich genommen nicht immer die besten Kennzahlen aufweist, aber im System einer kompletten Batterie dennoch eine gute Leistung erzielen kann. Um diese komplexen Interaktionen besser abzubilden und vorherzusagen, setzen Forscher zunehmend auf Künstliche Intelligenz (KI). Allerdings ist die effektive Nutzung von KI in diesem Bereich eng verknüpft mit einem wesentlich besseren Datenmanagement.

Auf Basis dieser standardisierten Daten können sogenannte multimodale Modelle trainiert werden. Diese Modelle verbinden Daten und Simulationen auf verschiedenen Skalen – von atomistischen Simulationen und Grenzflächenbetrachtungen bis hin zu elektrochemischen Modellen einfacher Batterien. Durch die Verbindung dieser unterschiedlichen Modelltypen kann KI theoretisch ein Kathodenmaterial mit bestimmten Eigenschaften entwerfen und dessen Verhalten direkt in einer Zelle simulieren und optimieren. Dies geht über die Betrachtung einzelner Komponenten hinaus und modelliert deren Interaktionen im System.

Ein konkretes Beispiel für die Abbildung von Interaktionen über Distanzen und Disziplinen hinweg ist der Einsatz eines "Broker Servers" (Marktplatz) in einem grossen EU-Projekt. Anstatt einer "stillen Post"-Kette wurde die Kommunikation zwischen rund zehn Partneruniversitäten über standardisierte Formulare auf diesem Server abgewickelt. Messanforderungen (z.B. für Elektrolyt-Leitfähigkeit) wurden eingestellt, Labore konnten diese aufgreifen, die Messungen nach standardisierten Vorgaben durchführen und die Ergebnisse über den Server zurückmelden. Eine KI konnte dann auf diese gesammelten, standardisierten Daten zugreifen, um Optimierungsaufgaben (wie die Optimierung von Elektrolytleitfähigkeit und Batterielebenszeit) durchzuführen. Dies zeigt, wie standardisierte Kommunikation und Dateninfrastruktur es KI ermöglichen, Interaktionen zwischen Komponenten (hier Elektrolyt und deren Auswirkung auf die Lebenszeit des Gesamtsystems) über verteilte experimentelle und theoretische Arbeiten hinweg zu modellieren und zu optimieren.

KI-Modelle können auch eingesetzt werden, um komplexe Systemverhaltensweisen wie die Batteriealterung abzubilden. Die Alterung hängt von vielen interagierenden Faktoren ab (Zahl/Tiefe von Ladezyklen, Lade-/Entladeleistung, Umgebungstemperatur). Im Forschungsprojekt Longer entwickelt VARTA gemeinsam mit Partnern ein Batterie-Management auf Basis von maschinellem Lernen und KI, das die typischen Betriebsweisen von Heimspeichern und deren Wirkung auf die Batterie präziser abbilden soll als heutige Software. Die KI lernt im Feldversuch, wie sich ein bestimmtes Lastprofil auf den State-of-Health der Batterie auswirkt, kann diesen Zustand vorhersagen und so eine vorausschauende Steuerung ermöglichen, die die Kapazität optimal nutzt und die Lebensdauer maximiert. Simulationsmodelle oder "digitale Zwillinge" der Speicher werden dabei genutzt, um die KI-basierte Betriebsstrategie zu testen und zu validieren. Die KI findet für jeden Anwendungsfall die beste Strategie und verfeinert diese durch maschinelles Lernen.

Integration von Rechen- und Experimentaldaten: Eine Studie zu zweiwertigen Hydrid-Festkörperelektrolyten (SSEs) zeigt einen integrierten Arbeitsablauf, der Data Mining, KI-gesteuerte Analyse, maschinelles Lernen und theoretische Simulationen mit experimenteller Validierung kombiniert. Ziel ist es, das Verständnis dieser komplexen Materialien und ihrer Interaktionen zu verbessern und neue SSE-Kandidaten vorherzusagen und zu entwickeln. Durch die Kombination von Merkmalsanalyse und Regression konnten präzise Vorhersagemodelle entwickelt werden, die eine schnelle Bewertung der Materialleistung ermöglichen.

Wie kann man mit KI physiko-chemische Prozesse richtig vorhersagen?

Die Vorhersage physiko-chemischer Prozesse in Batterien ist eine zentrale Herausforderung in der Batterieforschung. Das Problem liegt unter anderem darin, dass Batterien aus vielen einzelnen Komponenten bestehen, und die Systemeffekte aus dem Zusammenspiel dieser Teile schwer vorherzusagen sind. Physiko-chemische Vorgänge, wie sie beispielsweise beim Laden, Entladen oder Altern der Batterie auftreten, sind komplex und interagieren auf verschiedenen Skalen, von der atomistischen Ebene bis hin zum Verhalten der gesamten Zelle. Mathematische und physikochemische Modelle allein haben oft Schwierigkeiten, diese Komplexität genau abzubilden.

Für eine effektive Vorhersage durch KI müssen grosse Mengen an Forschungsdaten – sowohl aus Experimenten im "physischen Raum" als auch aus theoretischen Berechnungen im "virtuellen Raum" – standardisiert erfasst und zugänglich gemacht werden. Das derzeit oft noch vorhandene "Wildwest"-Datenmanagement muss durch die Einhaltung der FAIR-Kriterien (Findable, Accessible, Interoperable, Reusable) ersetzt werden. Insbesondere die Interoperabilität, das heisst computerlesbare Schemata und Formate und die Wiederverwendbarkeit, also klare Dokumentation von Bedingungen und Terminologie sind entscheidend, damit KI-Modelle die Daten aus unterschiedlichen Quellen verstehen und verarbeiten können. Diese standardisierten Daten sind die notwendige Grundlage, damit KI überhaupt auf die Informationen zugreifen kann, die zur Abbildung komplexer physiko-chemischer Interaktionen benötigt werden.

KI kann eingesetzt werden, um die Berechnungen der Eigenschaften einzelner Komponenten wie Aktivmaterialien und Elektrolyte zu beschleunigen. Solche Berechnungen sind oft sehr rechenintensiv, und KI kann helfen, die Rechenlast anders zu verteilen und zu parallelisieren, um schnellere Vorhersagen auf dieser Ebene zu ermöglichen.

Auf der Basis standardisierter Daten können multimodale Modelle trainiert werden, die Daten und Simulationen auf verschiedenen Skalen verbinden. Diese Modelle können atomistische Simulationen, Grenzflächenbetrachtungen und elektrochemische Modelle einfacher Batterien integrieren. So kann KI theoretisch das Verhalten eines Materials direkt in einer Zelle simulieren und optimieren, was eine Abbildung der Interaktionen im System auf Basis zugrundeliegender Prozesse ermöglicht.

Ein integrierter Arbeitsablauf, der Data Mining, KI-gesteuerte Analyse, maschinelles Lernen und theoretische Simulationen (wie z.B. Ab-initio-Metadynamik, MetaD) mit experimenteller Validierung kombiniert, hilft, das Verständnis komplexer Materialien und ihrer Interaktionen zu verbessern. Diese Herangehensweise ermöglicht eine schnelle Bewertung der Materialleistung und Vorhersage neuer Kandidaten. Das Framework kann sogar Kandidatenstrukturen genau vorhersagen, ohne von experimentellen Eingaben abhängig zu sein.

Ein datengesteuertes KI-Framework kann nicht nur optimale Materialkandidaten identifizieren, sondern auch den Reaktionsverlauf vorhersagen und Einblicke in mögliche Mechanismen liefern. Dies hilft Forschenden, das Verhalten des Materials und die zugrundeliegenden physiko-chemischen Prozesse besser zu verstehen, noch bevor sie Experimente durchführen.

KI und maschinelles Lernen werden eingesetzt, um die Batteriealterung zu modellieren, die von vielen interagierenden physiko-chemischen Faktoren abhängt (Zahl/Tiefe von Ladezyklen, Lade-/Entladeleistung, Umgebungstemperatur). Im Projekt "Longer" entwickelt VARTA mit Partnern ein Batterie-Management auf Basis von KI, das die Wirkung typischer Betriebsweisen auf die Batterie präziser abbilden soll als heutige Software. Die KI lernt im Feldversuch, wie sich ein bestimmtes Lastprofil auf den State-of-Health (SoH) der Batterie auswirkt, und kann diesen Zustand vorhersagen. Dies ermöglicht eine vorausschauende Steuerung, die die Lebensdauer maximiert. Simulationsmodelle ("digitale Zwillinge") werden verwendet, um die KI-Strategie zu testen und zu validieren. Ziel ist es, Alterungsprozesse physikalisch zu verstehen, oft ohne die Batterie öffnen zu müssen.

Durch die Analyse grosser, standardisierter Datensätze kann KI Muster und Zusammenhänge erkennen, die für menschliche Forschende schwer zu erkennen wären. Dies hilft beispielsweise bei der Identifizierung von Ursache-Wirkungs-Beziehungen, die die Zellqualität mindern können, oder bei der schnellen Analyse von Millionen potenzieller Materialien und deren Eigenschaften.

Die Standardisierung und Integration von Forschungsdaten bildet die notwendige Grundlage für den effektiven Einsatz von KI zur Vorhersage physiko-chemischer Prozesse in Batterien. KI ermöglicht dann durch beschleunigte Berechnungen, multimodale Modelle, integrierte Workflows aus Simulation und Experiment, die Vorhersage von Reaktionspfaden und Mechanismen sowie die präzise Abbildung und Vorhersage komplexer Systemverhaltensweisen wie der Alterung, ein deutlich tieferes Verständnis und eine bessere Vorhersagbarkeit der zugrundeliegenden physiko-chemischen Vorgänge. Diese Kombination beschleunigt die Entwicklung und Optimierung neuer Batteriegenerationen erheblich.

Disclaimer / Abgrenzung

Stromzeit.ch übernimmt keine Garantie und Haftung für die Richtigkeit und Vollständigkeit der in diesem Bericht enthaltenen Texte, Massangaben und Aussagen.

Vielen Dank an "Geladen Podcast" für Video: 
"Game Changer der Batterieforschung: Forschungsdaten und KI - Prof. Helge Stein".