在数十年来，电动汽车的发展一直受到电池研发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，以确定电池能够持续使用多长时间。这包括锂离子电池材料选择、制造和工作运行等过程的控制优化。通常人们需要对锂离子电池寿命进行评估，但这样的实验往往会花费数月乃至数年的时间，而且参数调整、空间和样品多样性更使得实验进一步延长。
现在，由斯坦福大学教授、麻省理工学院和丰田研究院合作开发了一种基于机器学习的方法，这种方法可以将电池充电测试时间从近两年缩短至16天，从而加速新型电池的开发进度。这项研究于2020年2月19日发表在《自然》杂志上。
设计超快速充电電池是一个重大挑战，因为很难使它们持续使用。而快速充電優化需要進行多次試錯測試，這對人類來說效率不高，但對機器而言卻是可以完美解決的问题。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。该系统具有早期结果预测功能，可以在大参数空间上进行高效的优化，同时具有高采样可变性。
这种方法能够快速优化特定的包含六步过程的電流和電壓曲线，以及能够使得電池寿命最大化的十分钟快充协议，这种快充技術能夠缓解電動汽車用户的心里焦虑。
首先，他们使用算法减少每个循环实验的大量时间。在先前的研究中，研究人员发现，不用通过每个電 池進行反復充電直至其報废（这是測試電 池壽命的一般做法），他們可以僅在最初100個充 電周期后預測出該儲存時間。此外，机器学习减少了他们必须测试之方法数量。计算机不是均等地或依靠直觉来测试每種可能的情況，而是從其经验中吸取教训，以快速找到要測試之最佳情況。
通过使用这种 CLO 优化方法，研究人員能够在16天内筛选出了224個待測庫中的長壽命快充能力最強者的48個儲存體，并最终验证了该方法有效性，比原有560天速度提升了约15倍。
闭环优化 (CLO) 系统原理
该闭环优化系统如图所示。
CLO 系统原理示意图
如圖所示，该系統包括三个组件：多通道电子循環器、循環寿命の早期预测器以及BO 算法。在每一个顺序轮次中，我们都要遍历这三个组成部分。
第一个组件是多通道电子循環器；这项工作中使用的是可同时测试48个储存体设备。在开始 CLO 之前，从完整的一个独特六步骤协议集中随机选择（不替换）第一轮48个储存体设备上的执行方式（即“协议”）。然后，每一个储存体按照100次重复 cycles 进行过渡再生操作，这些信息被用于生成一系列详尽记录以供分析者检查是否满足需求并报告何时应该停止操作。如果某些储存体达到这个点，那么它就已经完成并且准备好被送去分拆处理。
前100个cycle 的数据作为输入给予到当今世界科技领域领先之一的人工智能模型，它们利用这些数据创建精确预测以判断哪些储存在未来几周内将继续保持性能良好。
这些来自AI模型产生输出之后，被发送到 BO 算法，它决定下一步行动——如果某一部备受期待但仍未完全完成的话，则让它接受更多重复 cycles，如果则让它得到更新与维护服务。一旦所有已知事件皆已发生，即告结束此次试验周期。
最后，在整个试验期间由大量科学家共同监控着整个环境，并根据情况不断修改计划以适应任何突发情况或变化要求。
因此，对于希望推进创新速度的人来说，将会是一个巨大的转折点，因为他们将拥有一种自动分析工具，让他们无需亲自参与细节，就能轻易实现更好的技术解决方案，也为其他行业带来了新的可能性，如药物开发到光学仪器改进等其他大数据问题，都可以通过应用类似策略彻底解决。
标签： 生活中的化学常识100例 、 地理科普知识竞赛题库 、 地理小学生怎么科普 、 趣味地理小知识 、 角的加减法运算
