在数十年来，电动汽车的发展一直受到充电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，以确定其可持续使用时间。在锂离子电池的材料选择、制造和工作运行过程中，通常需要评估寿命，但这样的实验往往耗时长达数月乃至数年。
近日，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一种基于机器学习的方法，使得从原来的两年缩短至16天，对于加速新型电池的开发进度具有重要意义。这项研究已于2020年2月19日在《自然》杂志上发表。
设计超快速充电电池是一个挑战，因为很难使它们持续使用。更快的充电强度会使得电池承受更大的压力，这通常导致过早失效。为了防止构成总成本很大一部分的轻易损坏，工程师必须测试多种充電方式，以找到最有效方法。
新的研究试图优化这个过程。通过早期结果预测功能的闭环优化（CLO）系统，该团队发现快速充電優化需要進行多次試錯測試，這對人類而言效率不高，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系统，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電流和電壓曲线，以及能夠使得電池寿命最大化的十分钟快充协议，这種快充技術能夠緩解電動汽車用戶里程焦慮。首先，他们使用算法减少每个循环实验时间；其次，机器学习减少了他们必须测试之数量。
通过这种 CLO 优化方法，研究人员能够在16天内筛选出224个待测电子中的长寿命快充能力，并最终验证了该方法有效性，其原始224个电子测试需560天。这项技术不仅对转向风能和太阳能产生广泛影响，而且对于全球范围内储能方式都将产生关键要求。
该研究合著者Patrick Herring表示：「这是进行 电池 开发的一种新方法。」他补充说，这项研究将提供给未来的科学家自由使用，并可能加速一个数量级甚至更多数量级。此外，他认为这项技术还可能应用于药物开发等其他领域，大数据问题也可以利用机器学习来解决。此外，还有希望帮助科学发现本身，让算法提出假设并提取人类无法理解知识。他希望整个科学发现过程可以因此加快。
标签： 地理人物
