Batterier er fundamentet for elbiler, energilagring og forbrugerelektronik – men at forudsige deres levetid og sundhedstilstand er stadig en af de største tekniske udfordringer. Nu peger et nyt forskningsreview på arXiv på, at store sprogmodeller (Large Models) kan blive løsningen.
Forskerne bag reviewet gennemgår, hvordan AI-modeller bygget på Transformer-arkitekturer og selvovervåget læring kan overvinde de klassiske problemer i batteristyring: manglende data, dårlig generalisering på tværs af batterityper og manglende forklarlighed. Traditionelle fysikbaserede modeller og deep learning-metoder kræver store mængder mærkede data og fejler ofte i nye sammenhænge.
Store modeller kan derimod lære af store, ustrukturerede datasæt og tilpasses med begrænsede mærkede data via såkaldte PEFT-teknikker (Parameter-Efficient Fine-Tuning). Det gør dem i stand til at håndtere datamangel, forbedre robusthed og integrere faglig viden for bedre fortolkning – fire centrale dimensioner, som reviewet systematisk kategoriserer.
Men der er stadig store barrierer: adgang til data, validering af intelligens i industrielle applikationer, troværdighed og implementering på enheder med begrænset regnekraft. Forskerne foreslår en køreplan, der fokuserer på at opbygge samarbejdsorienterede dataøkosystemer, validere modellerne i praksis, gøre dem mere troværdige med fysikbaseret design og muliggøre effektiv implementering på enheder.
For beslutningstagere i batteriindustrien – fra producenter til operatører af energilagring – betyder det, at AI-drevet batteristyring kan blive en realitet, men at det kræver investeringer i data og tillidsskabelse. Virksomheder, der tidligt opbygger partnerskaber om datadeling og validering, kan få en konkurrencefordel.
