数据驱动AI技术革新电动汽车充电测试周期缩短至16天环境保护新里程碑

在数十年的时间里，电动汽车的发展一直受到电池研发测试这一主要瓶颈的限制。每个阶段都必须对新技术进行数月甚至数年的测试，以确定其能够持续使用多长时间。最典型的例子，就是对锂离子电池的材料选择、制造和工作运行等过程进行控制优化。

通常人们需要对锂离子电池的寿命进行评估，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。然而，一种基于机器学习的方法现已被开发出来，它能够将这段耗时长达两年的大项目缩短至仅需16天，这项突破性的研究成果不仅加速了新型电池的开发进度，也为环境保护带来了新的希望。

该研究由斯坦福大学教授、麻省理工学院和丰田研究院合作完成，并于2020年2月19日在《自然》杂志上发表。这项工作试图解决设计超快速充电电池的问题，其中一个重大挑战是如何防止构成大部分成本的一部分—即大批量生产用于替换传统燃油车辆的小型高性能储能系统—而导致早期失效。

为了防止轻易损坏这些宝贵且昂贵的地球资源，我们必须测试一系列详尽的充电方式，以找到最有效率且可靠地最大化使用寿命的手段。新的研究试图通过一种名为闭环优化（CLO）的系统来优化这一过程，该系统具有预测结果功能，可以在大参数空间上进行高效优化，同时拥有高采样可变性。

这种方法能够快速优化特定的包含六步过程中的曲线，以及可以使得整个设备寿命最大化快充协议，这种快充技术缓解了用户面临的一些重要问题，如里程焦虑。在先前的研究中，发现并不必通过反复直到报废才能预测出哪些电子元件将保持良好状态，而机器学习系统可以从最初100个循环后就开始预测，从而减少了每次实验所需时间。

此外，该算法还减少了他们必须测试不同方法数量，使计算机根据经验教训迅速找到要测试最佳协议。这项CLO系统包括三个组件：多通道循环器、循环寿命早期预测模型以及BO算法，在每个顺序轮次中，他们都会遍历这三个组合部分。而且，由于采用这个CLO系统，每个待测224个独特多步骤协议集中随机选择48个作为第一轮48次重复充放電測試（约4天；平均預測循環壽命905個），超过该時間终止实验，这极大地提升了效率与速度。

总之，不仅对于所有类型储能方式来说这是关键要求，而且对于全球范围内转向风能和太阳能也同样如此。此外，该团队认为，将这种AI技术应用于药物开发及其他领域，大数据处理问题，都有可能彻底解决，并加速科学发现本身。如果我们的算法越来越好，我们希望整个科学发现过程可以得到巨大的加快。