在电动汽车行业，电池研发的进程一直受限于充电测试时间。传统的测试方法可能需要数月甚至数年的时间，以确保新技术能够持续使用多久。对于锂离子电池，这一挑战尤为明显，因为快速充电会对其造成巨大压力，导致过早失效。
近年来，一项研究由斯坦福大学教授、麻省理工学院和丰田研究院合作开发，以机器学习方法缩短了这一过程。在2020年2月19日，该研究在《自然》杂志上发表。这项工作不仅减少了测试时间，还提高了整个研发流程的效率。
为了防止构成电动汽车成本的大部分的轻易损坏，工程师必须测试各种充电方式，以找到最有效的方法。新的研究试图优化这一过程。通过一种名为闭环优化（CLO）的系统，可以在16天内筛选出224个待测中具有长寿命快充能力的电子池，从而验证该方法的有效性。
CLO系统包括多通道循环器、循环寿命预测器和BO算法。在每个顺序轮次中，我们要遍历这三个组成部分。通过使用机器学习模型可以减少每个实验所需循环次数，同时最佳实验设计减少了所需实验次数。
这种方法不仅对电动汽车有重要影响，而且对其他储能方式如风能和太阳能也有广泛影响，是全球转向这些可再生能源关键要求的一部分。此外，该研究还显示机器学习优化其他领域，如药物开发和X射线性能等，大数据测试问题，也有潜力解决这些问题。
斯坦福大学教授Stefano Ermon表示：“更大的希望是帮助科学发现本身。我们在问：我们可以设计这些方法来自动提出假设吗？它们可以帮助我们提取人类无法理解的知识吗？随着我们的算法越来越好，我们希望整个科学发现过程可以大大加快。”
此外，该团队认为，他们正在开辟一个全新的途径，即将AI应用于植物健康监测领域，为绿植保护带来新的可能性。在未来的工作中，他们计划探索更多关于如何利用机器学习提升植物健康管理水平，并推动绿色科技发展前沿。此举不仅有助于环境保护，也将成为未来农业生产力的重要支撑力量之一。
标签： 基础地理
