在数十年的发展历程中，电动汽车的普及受到了电池研发测试的限制。每个阶段都需要进行多月甚至多年的测试，以确定其可持续使用时间。这包括对锂离子材料选择、制造和工作运行过程的控制优化。通常，这些实验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得实验进一步延长。
近日，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耗时缩短至仅16天，从而加速了新型电池的开发进度。这项研究已于2020年2月19日在《自然》杂志上发表。
设计超快速充电是挑战之一，因为很难使它们持续使用。大快充会使得电池承受更大的压力，这通常导致早期失效。为了防止造成大量成本损失，工程师必须测试详尽的充电方式以找到最有效方法。
新的研究试图优化这一过程。团队发现快速充电优化需要多次试错，这对人类来说效率低，但对机器则是完美解决问题。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，该系统能够在大参数空间上进行高效优化，并且具有高采样可变性。
这种方法可以快速优化特定的六步流程中的当前曲线以及能够最大程度延长寿命10分钟快充协议。这类快充技术可以缓解用户里程焦虑。
首先，他们使用算法减少每个循环实验时间。在之前的一些研究中，发现不必通过反复直到报废来通过每个单独电子元件，可以仅在最初100个循环后预测其可持续使用时间。此外，机器学习减少了他们必须测试方法数量，而不是均等或依靠直觉，它们根据经验吸取教训以迅速找到要测试最佳协议。
通过这种 CLO 优化方法，224个待测电子元件中筛选出了拥有长寿命快充能力的224个，其中验证了该方法有效性，并证明原有224个电子元件大约需560天才能完成此任务。
该闭环优化 (CLO) 系统如图所示。
该系统包括三个组成部分：多通道循环仪、循环寿命早期预测器和BO 算法。在每次顺序轮次中，我们遍历这些组成部分。
第一个组件是多通道循环仪；这项工作用于同时测试48个电子元件。在开始 CLO 之前，从完整集合随机选择（不替换）第一轮48个独立协议并进行100次重复循環（约4天），超过90500周期终止实验。
前1000周期数据用作输入，以供机器学习模型提供周期寿命估计值，然后发送给 BO 算法来尝试下一个具有较高估计寿命价值配置文件，在重复这个过程直到结束。
这种方法减少了每次测试所需迭代次数，同时最佳实验设计也减少了所需迭代次数。
科学家们表示，该算法几乎可以加速所有涉及化学性质设计、尺寸与形状，以及寻找更好制造和存储方案等各方面的小步骤，为全球转向风能与太阳能能源提供关键支持。
Patrick Herring 表示：「这是一种全新的进行推动发展一部份新科技的大工具。」他补足说，将自动分析共享数据速度创新，加快科学发现速度，对未来的科学家开放让他们自由地利用它。他认为，由于其他领域，如药物开发、X射线性能还有激光性能等，大数据问题，都可能采用类似策略来彻底解决问题，
Stefano Ermon 表示：「更大的希望是在帮助我们提出的假设自动提出假设吗？它们帮助我们提取人类无法理解知识吗？我们的算法越好，我们希望整个科学发现过程可以加倍。」
标签： 中国地理小知识简短有趣 、 初中地理必考知识点 、 地球科普知识大全 、 全球地理知识科普 、 地理故事
