在数十年的时间里，电动汽车的发展一直受到电池研发测试这一主要瓶颈的限制。每个阶段都必须对新技术进行数月甚至数年的测试，以确定其能否持续使用。最典型的例子就是锂离子电池材料选择、制造和工作运行过程中的控制优化。通常人们需要对锂离子电池寿命进行评估，但这样的实验往往会花费数月乃至数年的时间，以及参数调整、空间和样品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，将这项任务从近两年缩短至16天，缩短了近15倍，有助于加速新型电池的开发进度。这项研究于2020年2月19日发表在《自然》杂志上。
设计超快速充电电池是一个重大挑战，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多压力，这通常导致过早失效。在防止构成一辆车内成本大部分的轻易损坏方面，工程师必须测试一系列详尽充量方式，以找到最有效充量方法。
新的研究试图优化这个过程。在开始时，该团队发现快速充量优化需要进行多次试错测试，这对于人类来说效率不高，但对于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一种闭环优化（CLO）系统。这款系统具有高效探索参数空间以及高采样可变性的能力，可以在一个大的参数空间上进行高效优化，同时拥有强大的早期结果预测功能。
这种方法能够快速地将特定的包含六步过程的一个流程曲线，以及能最大程度延伸用途10分钟快充协议实现，使得用户能够缓解里程焦虑。此外，它们还通过算法减少了每个循环实验所需时间，并且通过机器学习减少了必须尝试到的方法数量，从而提高了整个过程效率。
通过使用这种CLO优化方法，研究人员能够在仅仅16天内筛选出224个待测中有长寿命快充能力的224个独特多步骤协议，并且验证该方法有效性，其原有224个待测大约需要560天来完成同样的筛选任务。这意味着AI技术已经成为推动低碳生活前进的一股重要力量，为我们提供了一种全新的思考方式，也为未来的科技创新指明了一条道路。
标签： 基础地理
