在数十年来，电动汽车电池的发展一直受到电池研发测试这一主要瓶颈的限制。在电池开发过程中的每个阶段，都必须对新技术进行数月甚至数年的测试，以确定电池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、电池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，但是这样的实验往往会花费数月乃至数年的时间，而且参数的调整、空间和样品的多样性更使得实验进一步延长。
现在由斯坦福大学教授、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，能够将电池充电测试时间从近两年缩短至16天，缩短了近15倍，有助于加速新型電動車電池の開発進度。这项研究于2020年2月19日发表在《自然》杂志上。
设计超快速充電電池是一个重大挑战，主要是因为很难使它们持续使用。更快的充電強度會使電池承受更大的壓力，這通常會導致電 池過早失效。
为了防止构成电子车辆总成本很大一部分的 电 池组 的轻易损坏， 电 池工程师必须测试一系列详尽的充电方式，以找到最有效的充 電 方法。
新的研究试图优化这一过程。从一开始，该团队就发现快速充 电 优化需要进行多次试错 测试，这对人类来说效率不高，但 对 机器而言却是可以完美解决的问题。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（CLO）系统。这项系统具有早期结果预测功能，可以在大参数空间上进行高效 的优化，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 电流 和 电压曲线，以及能 够使得 电 池寿命最大化 的 十分钟快 充协议，这种快 充技术 能够缓解电子车辆用户 的里程焦虑。
首先，他们使用算法来减少每个循环实验的大量复制次数。在先前的研究中，该团队发现，不用通过每个电子车辆或其 组件 进行反复充气直至其报废（这是测试電子車輛 或其組件 可持續運行時間的一般做法），他们可以仅在最初100个循环后预测出电子车輛或其 组件 可以使用多少小时。这是因为機器學習系統，在接受过几次循環後，可以從早期數據中找到預示電子車輛 或其 組件 可持續運行時間规律的人类无法察觉到的模式或关系。此外，该系统还能根据这些数据自动调整下一步骤，使整个进程更加精确、高效，并且不会浪费资源。
通过这种 CLO 优化方法，研究人员能够在16天内筛选出224个待测电子车輛 中拥有长寿命快 充能力 的那些，而不是像过去那样需要560天才能完成这个任务。这意味着该方法不仅提高了速度，还显著降低了成本，因为它减少了所需资源并避免了可能出现的人为错误。此外，由于该系统完全依赖数据分析，没有人参与到实际操作中，因此极大地降低了人为因素带来的风险，从而保证了实验结果的一致性和准确性。
标签： 地理人物
