在数十年的发展历程中，电动汽车电池的研发一直被充电测试所限制。在每个阶段，都必须对新技术进行数月甚至数年的测试，以确定其持续使用时间。最典型的例子是锂离子电池材料选择、制造和工作运行过程控制优化。通常需要评估锂离子电池寿命，但这样的实验往往耗时数月乃至数年，且参数调整、空间与样品多样性使得实验延长。
现在，由斯坦福大学教授、麻省理工学院和丰田研究院合作开发了一种基于机器学习的方法，将充电测试时间从近两年缩短至16天，大幅加速新型电池开发进度。这项研究于2020年2月19日发表在《自然》杂志上。
设计超快速充電電池是一個重大挑戰，因為很難讓它們持續使用。大快充會對電池造成更大的壓力，這通常導致電池過早失效。為了防止構成電動汽車成本大部分的電池組輕易損壞，工程師必須測試一系列詳細充電方式，以找到最有效的充電方法。
新的研究試圖優化這個過程。從一開始，團隊就發現快速充電優化需要進行多次試錯測試，這對人類來說效率不高，但對機器而言卻是可以完美解決的问题。
在這項研究中，该团队开发了具有早期结果预测功能的闭环优化（CLO）系统。这项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电流和电压曲线，以及能够使得电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。在先前的研究中发现，不用通过每个 电瓶进行反复充放到報废（这是測試 電瓶 寿命 的常规方法），他們可以僅在最初100個循環後預測出能夠使用多久。这是因為機器學習系統接受幾次循環後，可以從早期數據中找到預示著能夠持續運行時間規律。
其次，机器学习减少了他们必须测试的方法数量。不像计算机依靠直觉或均等地试验每种可能の 充電 方法，而是从经验吸取教训，以快速找到要试验的大量選項中的最佳协议。
通过这种 CLO 优化方法，研究人员将224个待测 电瓶 中筛选出了具有长寿命快换能力的大约48台，并最终验证了该方法有效性，其原有224台 电瓶 测试大约需要560天。此外，该系统还包括三个组件：多通道 电瓶 循环仪、循环寿命预测模型以及BO 算法，每个顺序轮次都要遍历这三个组成部分以实现自动分析和提取人类无法理解知识，从而彻底解决药物开发及其他大数据问题，如X射线性能优化等领域的问题。
斯坦福大学教授 Stefano Ermon 表示：「更大的希望是在科学发现本身帮助我们。如果我們設計這些方法來自動提出假設？它們是否能幫助我們擷取人類無法理解的事實知識？隨著我們算法越來越好，我們希望整個科學發現進程將會加速。」
