数字孪生长期以来一直被视为各行业的颠覆性技术。无论是在汽车和航空航天领域，还是在制造业、电网和供应链物流中，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变革运营。然而，迄今为止，由于在足够高精度地建模复杂物理系统方面存在局限性，这项技术尚未兑现其承诺。

IBM Research 正在努力改变这一现状。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，用于构建完全数据驱动、自我改进且能够准确预测复杂系统行为的 AI 驱动数字孪生。这一进展具有广泛的意义，其应用跨越多个依赖高保真仿真来优化性能、提高安全性和降低成本的行业。

用 AI 驱动的数字孪生变革电池开发

这种方法最直接且最具影响力的应用之一是在电动汽车（EV）电池开发领域。2010 年至 2021 年间，电动汽车的平均续航里程大约增长了两倍，其使用寿命现在已可与内燃机汽车相媲美。但续航焦虑和电池寿命的不确定性仍然是其更广泛普及的主要障碍。购车者仍然担心在没有充电桩的情况下电量耗尽，而从长远来看，他们还担心电池组会退化或过早失效。尽管最近取得了进展，但开发和测试续航更长、使汽车行驶更远的新电池仍可能需要数年时间。美国和欧洲汽车制造商的进一步进展缓慢，尤其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，对 IBM 基于基础模型的数字孪生进行专门化和验证，以加速电动汽车电池的开发和测试。通过利用 AI 驱动的仿真，制造商可以用高度准确的虚拟模型取代多年的物理测试，这些模型能够预测电池在真实世界条件下的性能和退化情况。

数字孪生创新的核心是通常用于语言基础模型的 AI 模型架构和技术——也就是当今大语言模型中所见到的那些。但大语言模型是在文本数据集上训练的，并部署在基于文本的任务上，而这些模型则被设计用于处理电池组件的复杂化学和运行过程。

通过这种方式，IBM Research 和 Sphere 正在合作训练电动汽车电池的基于基础模型的数字孪生，电池制造商可以对其进行测试，以收集关于性能、安全性和热行为的准确预测。通过仅基于少至 50 次初始循环来预测数百次循环，基于基础模型的数字孪生相比传统方法显著提高了测试吞吐量，而传统方法中电动汽车制造商需要实际开发新的电池技术。据 Sphere 称，这一进展预计可节省数百万美元和数年的道路测试。

“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，”Sphere 联合创始人 Lukas Lutz 表示。测试结果本身就说明了问题：Sphere 可以在性能开始以非线性方式下降时，以 1% 的误差范围预测电池的行为和老化情况。“这在以前根本不可能，”Lutz 说。“当前的仿真假设线性衰减，因此无法预测重要的非线性区域。”

扩展数字孪生的覆盖范围

借助基于基础模型的数字孪生，Sphere 打算颠覆漫长的电池开发周期。当原始电池设备制造商想要制造新的电池单元技术并销售给汽车制造商时，他们必须在汽车中验证数年。这种行业标准的生命周期测试并非监管要求，但对于了解电池单元在炎热或寒冷气候、温和或激烈驾驶、快速或慢速充电下的老化情况至关重要——这些真实世界条件会影响电池老化的速度。

电池制造商无需进行多年的道路测试，而是可以部署基于基础模型的数字孪生，模拟大量驾驶条件并建模它们将如何影响电池。

在Sphere位于奥格斯堡的电池测试设施中，超过1,500个不同尺寸、格式和化学体系的电芯全天候运行，为AI模型预训练提供所需数据。迄今为止，该模型已使用来自4,000多次测试的数据进行训练。这些数据被输入到由IBM Research团队开发的IBM基础模型架构中，以学习特定设备的状态并为各种描述符生成预测。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vanilla transformer块的编码器-解码器架构，这些块被扩展以集成数值表示。当该模型在Sphere的广泛数据集（其中还包括有关电芯化学体系的元数据）上进行预训练时，它学会了系统不同状态之间的转换。

该基础模型的输出可以通过最少的微调泛化到各种用例中，这在电池行业意义重大，因为它允许制造商使用同一模型来预测电池在各种车辆中的行为，只需针对少数边缘案例进行有限测试即可验证模拟结果。

“基于基础模型的数字孪生构建了系统的全面数字表示，”IBM Research杰出研究科学家Teodoro Laino表示。“这能够提取多个相互关联的测量值，从而提供更深入的洞察和对性能更全面的理解。”

“Sphere决定与IBM合作，是因为我们用于数字孪生的基础模型方法具有独特性，这是IBM开发的一项独特能力，”Laino补充道。

释放数字孪生更广泛的潜力

但电池只是一个开始。从传统模拟向实时预测建模的转变，标志着各行业利用基础模型推动效率提升和加速创新的方式正在发生更广泛的转变。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中，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。它们可以考虑电池的内部状态、环境条件和应用场景——从而在广泛条件下实现更精确的预测和性能优化。这种灵活性使得只需最少的额外数据输入即可对老化 and 性能进行高精度预测，并针对客户特定数据进行微调，从而预计将新电池的开发时间和成本减少50%。

Lutz表示，数字孪生不仅仅加快了测试过程。它们还使通常需要按顺序进行的步骤能够并行执行。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，使他们能够更快地整合新的电芯技术。“当一种电芯处于验证阶段长达数年时，很难快速整合新的阳极或阴极技术——顺便说一句，这种技术每6个月就会出现一次，”Lutz说。

因此，尽管该领域的新电池突破一直在快速发生，但电芯测试耗时太长，导致新创新根本无法被纳入，因为它不符合测试周期。“我们想改变这一点，”Lutz说。

改善这些并行流程可能开始为西方电动汽车制造商在电动汽车市场中提供竞争优势。中国制造商通过对电池技术进行重大投资以及促进汽车制造行业内的合作，缩短了车辆开发时间。

此次合作中开发的新训练模型已在欧洲的电池制造商、汽车制造商以及其他相关参与者（如电动工具制造商）中使用，展示了AI驱动模拟如何改变该行业。

随着这项技术的进步，IBM设想AI驱动的数字孪生不仅在优化电池性能、安全性和可持续性方面发挥关键作用，还将在改善更广泛的工业应用方面发挥关键作用。AI驱动的数字孪生有潜力在广泛的行业中推动更智能、更安全、更高效的工业流程，包括制造业中的预测性维护、优化能源电网、提高供应链效率以及增强航空航天系统可靠性。

转载声明：本文为转载整理，原文版权归原作者及原站点所有。

原文来源：IBM Research Blog

原创地址：https://research.ibm.com/blog/revolutionizing-industries-with-ai-powered-digital-twins