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，推进低碳生活实践举例20个
在数十年里，电动汽车（EV）电池的发展一直受限于充电测试的长时间需求。每个开发阶段都必须进行多月甚至数年的测试，以确定新技术可持续使用的时间。对锂离子电池材料选择、制造和运行过程优化是典型挑战，其中寿命评估实验往往需要数月到数年的时间，并且因参数调整、空间和样品多样性而进一步延长。
最近，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了一种基于机器学习的方法，将原有两年的充电测试缩短至仅16天，大幅加速了新型电池的开发速度。这项研究于2020年2月19日发表在《自然》杂志上。
设计快速充电高效率储能系统是一个重大挑战，因为快速充放電会使得电子元件承受巨大压力，这通常导致早期失效。为了防止损坏价值不菲的电池组，工程师必须通过详尽试错测试找到最有效的充放電方式。
新的研究尝试优化这一过程。在开始时，该团队发现快速优化需要大量试错，这对于人类来说效率低，但对机器则是可以解决的问题。他们开发了闭环优化（CLO）系统，它具有早期结果预测功能，可以在广阔参数空间中高效地进行优化，同时具备高采样可变性。
该方法能够迅速优化特定包含六步过程中的流程，以及能最大限度延伸10分钟快充协议，从而缓解用户里程焦虑。此外，该算法减少了每次循环实验所需时间，并通过机器学习减少必要方法数量，使得计算机能够吸取经验教训并迅速找到要测试最佳协议。
利用CLO系统，他们能够在16天内筛选出224个待测 电池中具有长寿命快充能力的224个，并验证其有效性，比起原来的560天来讲大幅缩短了-testing 时间。这项工作展示了如何将人工智能应用到复杂问题上，以加速科学发现和技术创新，为全球转向风能和太阳能提供关键支持。
此外，该团队认为这种方法可能超越现有的应用领域，如药物开发或X射线性能等其他大数据问题，也可以通过使用机器学习来彻底解决这些挑战。斯坦福大学教授Stefano Ermon表示：“我们希望整个科学发现过程可以得到极大的加快。”
标签： 地理人物
