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，展示了如何将传统两年的充电测试缩短至仅16天，这近15倍减少了测试时间，有助于加速新型电池的开发进度。
设计超快速充电是主要挑战之一，因为很难让它们持续使用更快的充电强度会导致早期失效。为了防止构成EV总成本很大一部分的大容量储能系统损坏，工程师必须通过详尽试错测试找到最有效充电方法。
新的研究旨在优化这个过程。团队发现快速充electricity优化需要多次试错，这对于人类来说效率低，但对机器则可以完美解决问题。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，可以高效地在大参数空间上进行优化，同时拥有高采样可变性。
这种方法能够快速优化特定的六步过程中的流程以及十分钟快充协议，使得缓解用户里程焦虑成为可能。首先，他们使用算法减少每个循环实验时间；其次，它们减少了必须测试方法数量；最后，它们通过计算机从经验中吸取教训以快速找到要测试最佳协议。
通过这种CLO优化方法，224个待测独特多步骤协议筛选出具有长寿命快充能力的224个電池，只需16天，而原有224个電池測試需要560天。此外，该闭环优化系统包含三个组件：多通道電池循環器、循環寿命早期预测器和BO算法，每一个顺序轮次都要遍历这三个组成部分，并利用前100个重复循环数据作为输入，以机器学习模型提供循环寿命预测，并发送给BO算法进行下一步操作。
该方法不仅加速了每一个研发环节，也对其他类型储能方式产生影响，是全球范围内转向风能和太阳能关键要求。此外，该研究还指出，其潜力超出了仅限于某一领域，还可以应用到药物开发、X射线性能等其他大数据问题中去解决，从而彻底提升科学发现速度及质量。
