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，将这些挑战转变为优势。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，大幅度加快新型电池开发进程。
快速充电是另一个重大挑战，因为高强度会使得电子元件承受更大压力，最终导致早期失效。为了防止构成EV总成本很大一部分的轻易损坏，工程师必须测试详尽的充电方式，以找到最有效方法。
新的研究试图通过闭环优化（CLO）系统解决这个问题。这项系统具有预测功能，可以在大参数空间内进行高效优化，同时提供高采样可变性。这种方法可以快速优化特定的六步过程中的曲线，以及能够最大化寿命的十分钟快充协议，这种快充技术缓解了用户里程焦虑。
首先，该算法减少了每个循环实验所需时间。不必通过反复直到报废，每100次循环后就能预测出续航能力。这是因为机器学习系统可以在接受过几次循环后的数据中找到预示续航能力规律。
其次，机器学习减少了要测试方法数量，不均匀或依赖直觉，而是从经验中吸取教训以快速找到最佳协议。通过这种CLO优化方法，在16天内筛选出了224个待测中有长寿命快充能力的大约1/5，即56个具有长寿命快充能力的 电池，从而验证该方法有效性，并且比原有560天迅速很多倍。
该闭环优化系统由三个组件构成：多通道電池循環器、循環寿命早期預測器以及BO算法。在每个顺序轮次中，我们遍历这三个组合部分。一开始，从224独特多步骤协议集中随机选择48个作为第一轮48个電池の選擇，並進行100個循環重復放電（約4 天；平均預測循環數905）。超过该時間終止實驗。
前100個放電周期資料用作機器學習模型輸入，用於計算預測續航距離，這些結果隨後傳遞給BO算法來選擇下一個具有較高估計續航距離的手續流程，並重複此過程直到實驗結束。
這種方法減少了對每個試驗電池所需之數百萬回合放電周期，而最佳設計則減少之必要實驗次数。
該團隊表示，這種算法幾乎可以加速從設計電子物質到確定尺寸與形狀再到尋找更好製造與儲存系統等各個階段。此外，此技術不僅對EV，有著廣泛影響，也適用於其他類型儲能方式，是全球轉向風能與太陽能需求的一項關鍵技術。
該項目科學家Patrick Herring指出：「這是一種進行蓄電設備開發新策略之一。」他補足說，這項研究將機器學習與自動分析共享，並將為未來科研人員自由使用。他說，他們希望透過機器學習優化更多過程，加速進一步量級甚至更多量級技術更新發展。
此外，這項研究也顯示出它超越車輛領域潛力的可能，它還被應用於藥物開發及X射線性能優化等其他大數據測試問題上。他們相信隨著我們的人工智能越來越精巧，我們整體科學探索速度將會急劇增加。我們問自己是否能夠設計一個自動提出假設並提取人類無法理解知識的大工具？隨著我們的人工智能提高，我們希望整個人類科學探索速度都會加倍。
标签： 基础地理
