在数十年的发展中，电动汽车（EV）行业一直面临着一个挑战：如何高效地开发和测试新型锂离子电池。传统的方法是通过大量实验来评估这些材料、制造过程以及工作条件，以确保它们能够满足长期使用的需求。然而，这些实验往往耗时数月乃至数年，而且参数调整、空间和样品多样性使得实验更加复杂。
近年来，一项由斯坦福大学教授、麻省理工学院和丰田研究院合作开发的基于机器学习的方法已经将这一过程加速了。在这项研究中，团队利用闭环优化（CLO）系统，该系统能够预测早期结果并进行高效优化，同时具有高采样可变性。这意味着可以在16天内筛选出224个待测电池中的长寿命快充能力，而原有测试需要560天。
该CLO系统包括三个组件：多通道电池循环器、循环寿命早期预测器以及BO算法。在每个顺序轮次中，我们遍历这三个组成部分。首先，使用循环仪同时测试48个独特充电协议，每个协议进行100次循环重复充电超过905个循環终止实验。此后，将前100个充电周期的数据作为输入，并用机器学习模型预测剩余寿命，然后发送给BO算法选择下一个具有较高估计寿命的协议。
这种方法减少了每次测试所需的循环次数，并通过最佳设计减少了所需实验次数。因此，该算法几乎可以加速整个电子设备开发过程，从化学性质到尺寸和形状再到寻找更好的制造和存储系统。这不仅对电子车辆，对全球范围内转向风能和太阳能储能方式都产生广泛影响，是实现全球能源转型的一个关键要求。
科学家们认为，这种基于机器学习与数据收集系统将为未来的科学家提供自由使用，使他们能够进一步优化其他领域，如药物开发、X射线性能等大数据问题。此外，他们还希望这种技术能帮助自动提出假设并提取人类无法理解的知识，从而彻底解决这些问题，加速整个科学发现过程。
标签： 基础地理
