IBM：用AI驱动的数字孪生模型彻底改变行业

来源：IBM 作者：Peter Hess

IBM Research的基础模型正在为复杂系统的模拟版本提供动力，这有望加速技术进步。

长期以来，数字孪生一直被认为是跨行业改变游戏规则的因素。无论是在汽车和航空航天领域，还是在制造业、能源电网和供应链物流领域，这些现实世界系统的虚拟模型都承诺通过预测建模和实时分析来改变运营。然而，到目前为止，由于对复杂物理系统进行足够高的准确性建模的限制，该技术一直落空。

IBM Research正在努力改变这一点。通过应用最初为语言处理开发的基础模型技术，我们的研究人员创建了一个框架，用于构建人工智能驱动的数字孪生模型，该模型完全由数据驱动，自我改进，并且能够准确预测复杂的系统行为。这一进步具有广泛的影响，应用跨越多个行业，依靠高保真模拟来优化性能、提高安全性和降低成本。

用AI驱动的数字孪生模型改变电池开发

这种方法最直接和最有影响力的应用之一是电动汽车（EV）电池开发。从2010年到2021年，电动汽车的平均续航里程大约增加了两倍，其寿命现在可与内燃机汽车相媲美。但范围焦虑和电池寿命的不确定性仍然是它们被广泛采用的主要障碍。汽车买家仍然担心在没有充电器的情况下耗尽电，从长远来看，他们担心电池组退化或过早故障。尽管最近有所改进，但开发和测试使用寿命更长、使汽车能够行驶更远的新电池可能需要数年时间。美国和欧洲汽车制造商的进一步进步正在缓慢，特别是与中国电动汽车制造商相对快速的开发时间表相比。

总部位于德国奥格斯堡的Sphere Energy正在与IBM Research合作，专门化和验证IBM的基础模型数字孪生，以加速EV电池的开发和测试。通过利用人工智能驱动的模拟，制造商可以用高精度的虚拟模型取代多年的物理测试，这些模型可以预测现实世界条件下的电池性能和退化。

数字孪生创新的核心是AI模型架构和技术，这些架构和技术普遍用于语言基础模型——这些架构和技术在当今的大型语言模型中可以看到。但是，虽然LLM是在文本数据集中训练并部署在基于文本的任务上，但这些模型旨在处理电池组件的复杂化学和操作。

通过这种方式，IBM Research和Sphere正在合作，训练基于基础模型的EV电池数字孪生，电池制造商可以通过他们的步伐来收集性能、安全和热行为的准确预测。通过根据50个初始周期预测数百个周期，与传统方法相比，基于基础模型的数字孪生显著提高了测试吞吐量，而传统方法需要EV制造商实际开发新的电池技术。据Sphere称，这一进步估计将节省数百万美元和多年的道路测试。

Sphere联合创始人Lukas Lutz说：“电池工程基于数据，而不是语言，因此我们使用基础模型来模拟下一个最佳数据点，而不是下一个最佳单词。”测试结果不言自明：当性能开始以非线性方式下降时，Sphere可以在1%的误差范围内预测电池的行为和老化情况。Lutz说：“这以前根本不可能。”“目前的模拟假设是线性衰变，因此无法预测重要的非线性状态。”

扩大数字孪生的覆盖面

凭借基于基础模型的数字孪生，Sphere打算打破漫长的电池开发周期。当原始电池设备制造商想制造新的电池电池技术出售给汽车制造商时，他们必须在汽车上验证几年。这种行业标准生命周期测试不是监管要求，但它对于观察电池在炎热或寒冷的气候下、温和和激进的驾驶下、快速或缓慢充电如何老化至关重要——现实世界条件会影响电池老化的速度。

电池制造商可以部署基于基础模型的数字孪生模型，模拟大量驾驶条件，并模拟它们将如何影响电池，而不是多年来进行道路测试。

在Sphere位于奥格斯堡的电池测试设施中，超过1500个不同尺寸、格式和化学的电池全天候运行，以提供用于人工智能模型预培训的数据。迄今为止，该模型是使用4000多个测试的数据训练的。这些数据被输入到IBM研究团队开发的IBM基础模型架构中，以学习特定设备的状态，并生成各种描述符的预测。就电池而言，这些描述符包括电压、电流和容量。具体来说，数字孪生模型依赖于基于香草变压器块的编码器-解码器架构，该模块扩展到集成数值表示。当对Sphere的广泛数据集进行预训练时——其中还包括有关细胞化学的元数据——该模型学习了系统不同状态之间的过渡。

基础模型的输出可以通过最少的微调在各种用例中推广，这在电池行业是一件大事，因为它允许制造商使用相同的模型来预测各种车辆上的电池行为，只需要对几个边缘案例进行有限的测试来验证模拟。

IBM Research的杰出研究科学家Teodoro Laino说：“基于基础模型的数字孪生构建了系统的全面数字表示。”“这可以提取多个相互关联的测量值，提供更深入的见解和对绩效的更全面的理解。”

Laino补充说：“Sphere决定与IBM合作是由我们数字孪生基础模型方法的独特性驱动的，这是IBM开发的独特能力。”

释放数字孪生的更广阔潜力

但电池只是开始。从传统模拟到实时预测建模的过渡预示着行业如何使用基础模型来提高效率和加速创新的更广泛转变。无论是在电池开发、制造、能源电网管理还是工业系统的预测性维护方面，数据驱动的数字孪生都可以重塑企业应对复杂系统挑战的方式。

基础模型能够捕捉复杂的关系，因此，基于基础模型的数字孪生非常适合预测电池老化。他们可以考虑电池的内部状态、环境条件和应用场景——从而在广泛的条件下进行更精确的预测和性能优化。这种灵活性允许对老化和性能进行高度准确的预测，只需最少的额外数据输入，即可对特定于客户的数据进行微调，从而估计可以减少50%的开发时间和新电池的成本。

Lutz说，数字孪生不仅仅是加快测试过程。它们还使通常需要按顺序执行的步骤并行执行成为可能。例如，电池制造商可以在项目早期与其他业务部门共享数字孪生建模数据，使他们能够更快地采用新的电池技术。Lutz说：“当一个细胞处于验证阶段多年时，很难快速采用新的阳极或阴极技术——顺便说一句，这每6个月发生一次。”

因此，尽管新的电池突破在现场迅速发生，但电池测试需要很长时间，以至于新创新根本无法纳入，因为它不适合测试周期。Lutz说：“我们想改变这一点。”

改进这些平行流程可能会开始使西方电动汽车制造商在电动汽车市场上具有竞争优势。中国制造商通过对电池技术进行重大投资并促进汽车制造业的合作，推迟了汽车开发时间。

在这次合作中开发的新训练模型已经被电池制造商、汽车制造商和其他相关参与者（如欧洲的电动工具制造商）使用，展示了人工智能驱动的模拟如何改变该行业。

随着这项技术的进步，IBM设想人工智能驱动的数字孪生不仅在优化电池的性能、安全性和可持续性方面发挥关键作用，而且在改善更广泛的工业应用方面发挥关键作用。人工智能驱动的数字孪生有可能推动跨领域的更智能、更安全、更高效的工业流程，包括制造业的预测性维护、优化能源电网、提高供应链效率和提高航空航天系统可靠性。