在数十年来，电动汽车电池的发展一直受到充电测试这一瓶颈的限制。每个开发阶段都必须进行数月甚至数年的测试，以确定电池可持续使用时间。对于锂离子电池，控制材料选择、制造和工作运行过程优化是评估寿命的关键，但这些实验往往耗时多达两年。
现在，一种基于机器学习的方法由斯坦福大学教授、麻省理工学院和丰田研究院合作开发，它将这段时间缩短至16天，缩短了近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。快速充electricity会使得電池承受更大的压力，这通常会导致过早失效。为了防止构成電動車总成本很大一部分的電池组轻易损坏，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个过程。通过多次试错测试，该团队发现快速充electricity优化需要高效解决的问题，而不是人类那样效率不高。但是，对机器来说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，这个系统能够在大参数空间上进行高效优化，同时具有高采样可变性。
这种方法能够快速优化特定的包含六步过程的電流和電壓曲线，以及能使得電池寿命最大化的十分钟快充协议，这种快充技术能够缓解用户里程焦虑。
首先，他们使用算法减少每个循环实验时间。在过去的人类经验中，不用通过每个电子设备进行反复直到其报废（这是评价电子设备寿命的一般做法），他们可以仅在最初100次循环后预测出電子设备可持续使用时间。这是因为机器学习系统训练后，可以从早期数据中找到预示電子設備可持续使用時間规律。
其次，机器学习减少了他们必须测试数量。此计算机会不会均等地或依靠直觉来测试每种可能の协议，而是在从其经验吸取教训的情况下迅速找到要测试最佳协议。
通过这种 CLO 优化方法，研究人员能够在16天内筛选出224个待测电子设备中的长寿命快充能力，并最终验证该方法有效性，比原有224個待測电子設備需560天完成相同任务。
闭环优化 (CLO) 系统原理
该闭环优化系统工作原理如图所示。
CLO 系统原理示意图
如图所示，该系统包括三个组件：多通道电子循環器、循環寿命早期預測器和BO 算法。在每一个顺序轮次中，我们都要遍历这三个组成部分。
第一个组件是多通道電子循環仪；這項工作中用的循環儀同時測試48個電子設備。在開始 CLO 之前，从完整224個独特多步骤协议集中随機選擇第一輪48個獨立實驗組合（不替換）的第一輪48個獨立實驗組合從一個完整四百八十四種不同的唯一一次性的重複進行（約4天；平均預測連續運行905圈），超过該時間終止實驗。
前100圈重复給出的離開信息用作推斷剩餘生命週期結果預測模型輸入值，這些來自於機械學習模型推斷剩餘生命週期結果後被送到 BO 算法，用以選擇與較高估計生命週期相關聯最高優勢通過重覆此過程直到完成所有任務為止。
这种方法减少了对各个实验参与者的需求与实施次数，使整个项目更加经济实惠并且提高了生产力水平，同时也降低了一些成本因素，如劳动力开支与其他资源消耗方面，以及提高整体质量水平。
根据Patrick Herring科学家表示：「这是进行化学物质发展的一个新手段。」他补足说：「拥有自动分析共享给学术界及工业界并分享给未来的科学家们免费利用这些数据，可以加速创新速度。」
Herring 补足说：「我们希望未来除了继续专注于更好的技术之外，还能为全世界提供更多帮助。」
