在数十年的发展历程中，电动汽车的普及一直受到电池研发测试这一瓶颈的限制。每个阶段都需要进行多月甚至多年的测试，以确定其可持续使用的时间。在材料选择、制造和工作运行等过程中，对锂离子电池寿命评估通常需要数月乃至数年的时间，这些实验因参数调整、空间和样品多样性而进一步延长。
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成功将这段时间从近两年缩短至16天，缩短了约15倍，有助于加速新型电池的开发进度。这项研究已于2020年2月19日在《自然》杂志上发表。
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。更快的充电强度会使得电子元件承受更多压力，这通常会导致早期失效。为了防止构成大量成本的大部分为损坏而造成的事故，工程师必须通过详尽试错测试来找到最有效充满方式。
新的研究尝试优化这个过程。团队首先发现快速充能优化需要进行多次试错测试，这对于人类来说效率不高，但对机器则是可以完美解决的问题。在这项研究中，该团队开发了一种具有早期结果预测功能的闭环优化（CLO）系统。这一系统能够在大参数空间上进行高效优化，同时具备高采样可变性，使得它能够快速找到包含六步过程中的特定含有六步曲线以及10分钟快充协议，可以最大程度地增加寿命并缓解用户里程焦虑。
该算法通过减少每个循环实验所需时间来工作，并且通过减少必要实验次数来提高效率。计算机不是均匀或依靠直觉去尝试每一种可能性的充能方法，而是从经验中吸取教训，以迅速找到要尝试的最佳协议。
利用这种CLO优化方法，科学家们能够在16天内筛选出224个待测容器中的那些具有长寿命快充能力的小组，并验证了该方法有效性，比原有560天更为迅速。此外，该系统包括三个组件：多通道循环器、循环寿命早期预测模型以及BO算法，在每轮次中都会遍历这些组成部分，每个小组完成100次重复循环后停止实验，其余数据作为输入用于预测模型以确定下一步行动。
此外，该系统还被认为对其他类型储能技术也有广泛影响，如风能太阳能转向全球范围内要求关键需求。此外，该研究还显示出未来的潜力，即扩展到药物开发到X射线激光性能等其他领域，大数据问题都可以通过应用机器学习得到解决，从而彻底改变整个科学发现流程速度，加快创新速度，让我们期待未来科技进步带给我们的惊喜！
标签： 基础地理
