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，以确定其使用寿命。而最典型的例子是锂离子电池材料选择、制造和运行过程控制优化，这些通常会花费数月乃至数年的时间。
现在，一项由斯坦福大学教授、麻省理工学院和丰田研究院合作开发的基于机器学习的方法，可以将这段时间缩短至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日在《自然》杂志上发表。
为了防止构成大部分成本的大一部分损坏，工程师必须测试详尽充电方式，以找到最有效充電方法。新的研究试图优化这一过程。通过算法减少每个循环实验时间，并通过机器学习预测早期结果，这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。
这种方法能够快速优化特定的包含六步过程的当前和快充协议，以及使得电池寿命最大化的一分钟快充技术，这种快充技术缓解了用户里程焦虑。通过使用CLO系统，224个待测电子元件中筛选出了长寿命快充能力的224个电子元件，并验证了该方法有效性，而原有224个电子元件需要560天来完成相同任务。
闭环优化（CLO）系统包括三个组件：多通道循环器、循环寿命早期预测器以及BO算法。在每次顺序轮次中，我们遍历这三个组成部分。在开始CLO之前，从完整协议集中随机选择48个独特协议作为第一轮48个电子元件首次循环时使用。此后，每100次重复循环终止实验前发送数据到机器学习模型用作早期结果预测输入，然后这些估计值被发送到BO算法用于下一个具有较高估计寿命协议重复此过程直到结束。
这不仅对其他储能方式，而且对于全球范围内转向风能和太阳能都是关键要求。科学家Patrick Herring表示：「这是一种新的做事方式」。他补充说，该研究将共享并自动分析数据以加速创新速度。他认为其他领域如药物开发也可以利用同样的策略来彻底解决问题。教授Stefano Ermon表示：「我们希望整个科学发现流程可以大幅加快。」
标签： 地理人物
