在数十年的发展历程中，电动汽车电池的进步一直受到充电测试这一关键环节的限制。每个阶段都需要对新技术进行数月甚至数年的测试，以确定其可持续使用时间。在材料选择、制造和工作运行等过程中，对锂离子电池寿命评估通常耗时多达两年，加之参数调整、空间和样品多样性，使得实验进一步延长。
然而，一项由斯坦福大学教授与麻省理工学院和丰田研究院合作开发的机器学习方法，却将这个挑战转化为可能。该方法能够在原有两年的充电测试时间内缩短至仅需16天，这一突破性成就大幅加速了新型电池开发进度。这项研究于2020年2月19日在《自然》杂志上发表。
设计超快速充电系统是解决这一难题的一大挑战，因为它需要使得持续使用而不会过早损坏的设备。更快的充能强度会增加对设备承受压力的风险，而这通常导致失效。此外，由于成本高昂，避免轻易损坏构成总成本的大部分的储能组件是必须要做的事情。
为了防止这些问题，工程师们必须通过试错来优化各种详尽的充能方式，以找到最有效率且安全可靠的方法。但是，对人类来说，这种尝试效率不高；相反，它却是一个机器完美解决的问题。
研究团队开发了一种名为闭环优化（CLO）的系统，该系统具有预测结果功能，可以在极大的参数空间内进行高效优化，同时具备高采样可变性。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，从而缓解用户里程焦虑。
首先，该算法减少了每次循环实验所需时间。在过去，如果没有重复利用每个单独电子元件直到报废（这是评估电子元件寿命常规做法），可以仅用最初100个循环周期来预测电子元件何时会达到其最大使用期限。这是因为机器学习模型，在接受几次循环训练后，就可以从早期数据中识别出预示着电子元件可持续使用时间的情况，并据此作出准确判断。
其次，机器学习还减少了必须检验方法数量。当计算机会平等或依赖直觉去检验所有可能性的策略时，它并不是那么有效；相反，它会根据经验吸取教训以迅速找到哪些策略值得检验。
通过运用这种CLO优化技术，研究人员成功筛选出了224个待测电子元件中的那些拥有长寿慢装能力并最终验证了该方法有效性。一开始，大约需要560天才能完成同样的任务，但现在只需16天即可完成相同任务量级上的功绩提升显著，这一创新对于加速新型能源存储技术尤为重要，其潜力远超越只是提高生产速度，即便如此仍然令人瞩目地影响全球范围内转向风能和太阳能需求增长趋势所面临的一个主要障碍——如何实现大量储能设施以支持绿色能源基础设施建设与维护需求增长。而且，不仅限于这些领域，还包括药物开发、X射线及激光性能等其他基于大数据的问题，都有望借助类似手段彻底解决或至少显著提升解决方案质量。
最后，我们希望科学发现本身也能够得到帮助，比如是否我们可以设计这样的工具自动提出假设？它们是否能够帮助我们提取人类无法理解的事实知识？随着我们的算法变得更加智能，我们希望整个科学发现过程都会因此被巨大加快。
