在数十年来，电动汽车（EV）电池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的时间。这包括材料选择、制造和工作运行等过程控制优化。锂离子电池寿命评估实验往往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实验延长。
然而，斯坦福大学教授、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，将这些挑战彻底改变了。在2020年2月19日，该研究发表于《自然》杂志上，展示了如何将传统两年的充电测试缩短至仅需16天，这不仅加速了新型电池开发进度，也为设计超快速充电提供了可能。
快速充电优化是一个重大挑战，因为很难使它们持续使用。更快的充量会使得电子元件承受更大压力，这通常导致过早失效。为了防止构成EV总成本很大一部分的轻易损坏，工程师必须通过详尽试错测试找到最有效的充量方式。
新的研究试图优化这一过程。一开始，该团队发现快速充量优化需要进行多次试错，这对于人类而言效率不高，但对机器而言却是可以完美解决的问题。在这项研究中，他们开发了一种具有早期结果预测功能的闭环优化（CLO）系统。此系统具有高效探索参数空间，并且具有高采样可变性，可以在最初100个循环后预测出可持续使用时间。
这种方法减少了每个循环实验所需时间，并且能够预测哪些协议有潜力达到较长寿命，从而减少必要实验数量。此外，由于计算机不是均等地或依靠直觉来选择要测试方法，而是从经验中吸取教训以快速找到最佳协议，它们能够在16天内筛选出224个待测 电池中的那些具备长寿命快充能力。
该闭环优化系统包括三个组件：多通道循环仪、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。首先，我们随机选择48个独特多步骤协议作为第一轮，然后利用这些数据进行100次循环重复，每超过905个循环终止实验。这前100个周期数据作为输入，用作机器学习模型输出早期结果预测发送给BO算法，再次重复此过程直到完成所有回合。
这种方法几乎可以加速整个电子储能设备从设计到制造再到寻找更好存储系统各个方面。这不仅影响着全球范围内转向风能和太阳能，还为其他类型储能方式带来了广泛影响，是实现全球能源转型关键要求之一。而科学家们相信，对药物开发及X射线性能等其他领域的大数据问题也同样有着巨大的潜力与帮助作用。
标签： 地理人物
