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，成功将从近两年缩短至16天，实现了近15倍的缩短，有助于加速新型电池的开发进度。
设计超快速充电是重大挑战，因为很难使它们持续使用。更快充装会使电池承受更大的压力，这通常导致早期失效。为了防止构成EV总成本的大部分—即车辆组件—轻易损坏，工程师必须测试一系列详尽充装方式，以找到最有效方法。
新的研究试图优化这一过程，从一开始就发现快速充能优化需要多次试错测试，这对于人类而言效率不高，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。
这种方法能够快速优化特定的包含六步过程曲线，以及能够最大限度提高10分钟快充协议，使得用户缓解里程焦虑首先，他们通过算法减少每个循环实验时间；其次，他们利用机器学习减少必须测试数量。此外，该系统还包括三个组件：多通道循环仪、循环寿命早期预测模型以及BO算法，在每个顺序轮次中，它们共同完成遍历任务。
该闭环优化系统原理如图所示。
CLO 系统原理示意图
该系统通过三部分工作：一个用于同时测试48个独立协议中的第一轮48个独特协议的一个多通道循环仪；一个输入前100周期数据并预测剩余寿命，并发送给第二部分——由机器学习模型提供的一套规则以指导下一步行动；最后一个部分是一个BO 算法，它接收来自第二部分提供的一套可能选项，并根据它们与当前最佳选项之间差异来决定哪些应该被尝试，而哪些应该被排除。
此外，该研究还提出了未来可能应用到药物开发或其他大数据问题领域内，可以帮助科学家自动提出假设并提取人类无法理解知识，从而加速整个科学发现过程。
标签： 基础地理
