数据驱动AI技术助力电动汽车研发充电测试时间缩短至16天

在数十年来，电动汽车（EV）电池的发展一直受到充电测试这一瓶颈的限制。每个阶段都必须对新技术进行数月甚至数年的测试，以确定其可持续使用的时间。这包括材料选择、制造和工作运行等过程控制优化。锂离子电池寿命评估实验往往需要数月乃至数年的时间，而且参数调整、空间和样品多样性使实验延长。

然而，一项由斯坦福大学教授与麻省理工学院和丰田研究院合作开发的基于机器学习方法成功将这段时间从近两年缩短至16天，这是对原有224个待测电池测试560天的大幅度减少。该研究于2020年2月19日在《自然》杂志上发表。

设计超快速充电仍然是一个重大挑战，因为很难使它们持续使用。更快的充电强度会导致更大的压力，这通常导致早期失效。为了防止损坏构成EV总成本大部分的电池组，工程师必须测试一系列详尽的充电方式以找到最有效方法。

新的研究试图优化这个过程。在这项研究中，该团队开发了具有早期结果预测功能的闭环优化（CLO）系统。这款系统可以在大参数空间上进行高效优化，同时具有高采样可变性，并能够快速优化特定的包含六步过程的電流和電壓曲线，以及能最大化電池寿命10分钟快充协议。

首先，他们通过算法减少每个循环实验时间。在之前的一些研究中，发现不必通过每个電池進行反复充電直到報廢，可以僅在最初100個循環後預測出它可以使用多久，這是因為機器學習系統接受過幾次循環後，在早期數據中找到預示著能夠持續使用時間規律。

其次，它們減少了他們必須測試方法數量。而不是均等或依賴直覺來測試每種可能方案，而是從經驗吸取教訓，用於快速找出要測試最佳協議。此外，该系统还包括一个多通道電池循环器、一种用于预测循环寿命早期结果的一种模型以及一种BO算法。在整个顺序轮次中，我们遍历这些三个组件，每一步骤都会根据机器学习模型提供的地化学测量值来重复一次计算，从而确保最终结果准确无误且极为高效。

这种方法不仅加速了EV领域内但也对于其他类型储能方式产生广泛影响，如风能和太阳能转型所需关键要求。此外，由于该算法可以自由共享并自动分析数据，加快创新速度成为可能；此外，将应用于药物开发及其他大数据问题解决领域，有望彻底解决问题并提高科学发现速度；因此，对未来科学家来说，这是一项令人振奋的事业前景。