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时间。这包括锂离子电池材料选择、制造和工作运行过程控制优化。通常需要评估锂离子电池寿命，但这样的实验往往耗时多月乃至多年，且参数调整、空间和样品多样性进一步延长了实验。
近日，一项由斯坦福大学教授、麻省理工学院与丰田研究院合作开发的基于机器学习方法，将这段时间从两年缩短至仅16天，缩短了15倍，有助于加速新型电池开发进程。这项研究已于2020年2月19日发表在《自然》杂志上。
设计超快速充电是挑战之一，因为很难使它们持续使用。更快的充量会使得电子设备承受更大压力，这通常导致过早失效。为了防止构成EV总成本的大一部分——即车辆组件损坏—而增加开销，工程师必须通过详尽试错测试系列来找到最有效充量方式。
新的研究旨在优化这个过程。在一开始，该团队发现快速充量优化需要进行多次试错，这对于人类来说效率低下，对机器来说却是完美解决问题的一种方式。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（CLO）。该系统可以在高效参数空间上进行高效优化，同时具有高采样可变性，使得能够快速找到特定包含六步过程中的流程和能最大限度地扩展10分钟快充协议能力，即缓解里程焦虑的问题。
首先，他们利用算法减少每个循环实验所需时间。通过接受最初100个循环后预测出的数据，可以识别出哪些可能成为未来寿命较长产品，从而减少了每个循环周期所需花费。此外，他们还利用计算机学习经验以快速找到要测试最佳协议，而不是均等或依靠直觉尝试每种可能方法。
通过这种CLO方法，224个待测储能体中筛选出了有长寿命快充能力的224部，其中原有需要560天完成筛选任务，而现在只用了16天验证该方法有效性，为此类储能体开发节约了一半以上时间。
闭环优化系统原理图展示了该系统由三个组成部分：多通道循环仪、早期预测器以及BO算法。在每轮顺序执行时，我们遍历这些组成部分。一旦达到100次重复操作终止实验，并将前100次数据作为输入给予模型进行预测，然后发送给BO算法以获取下一个高估计寿命协议并重复此过程直到结束。
这种方法简便起见减少了必要循环次数，以及实现更多相关配置并相应减少总共所需次数，因此极大提高了一般性的速度和适用范围，不仅对EV，而且其他储能形式也同样影响深远，是全球转向风能与太阳能关键需求中的重要一步。而且，由于它提供用于学术界及工业界之间共享分析自动分析数据，加速创新速度，它对于科学家们是一个全新的想象世界；因此，无论是药物研发还是X射线激光性能等大数据问题，都可以通过采用类似策略彻底解决所有这些问题。
最后，该项目不仅为提升科学发现本身带来了希望，也激励着我们探索是否可以设计这样一种自动提出假设并提取人类无法理解知识的人工智能工具，以促进整个科学发现加速。而随着我们的算法越来越精准，我们期待整个科学发现领域将迎来革命性的改变。
标签： 地理资讯
