當前，電池企業和科學家正在積極研發新型電池或尋找優化電池制造的新工藝。

　　外媒報道稱，斯坦福大學與豐田研究人員合作開發了一種新機器學習方法，可以加速電動汽車電池的開發。

　　具體而言，麻省理工學院斯坦福分校和豐田研究院的研究團隊開發了一種基于機器學習的方法，將電池充電測試時間從近兩年縮短至16天，縮短了近15倍，有助于加速新型電池的開發進度。

　　在電池開發過程的每個階段，必須對新技術進行數月甚至數年的測試，以確定它們將持續多長時間。

　　而設計超快速充電電池是一個重大挑戰，主要是因為很難使它們持續使用。更快的充電強度會使電池承受更大的壓力，這通常會導致電池過早失效。

　　為此，麻省理工學院和豐田研究所希望找到在10分鐘內為EV電池充電的最佳方法，以最大限度地延長電池的整體使用壽命。為了找到最佳方法，該團隊使用AI來幫助進行各種充電試驗的分類。

　　該研究小組于周二在《自然》雜志上發表了這項研究，該研究表明獲得專利的AI程序如何預測電池對充電方法的不同反應方式。

　　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-對于人類而言這是低效率的，但對于機器而言卻是完美的問題。

　　閉環優化（CLO）系統的示意圖

　　首先，對電池進行測試。前100個循環的循環數據（特別是電化學測量值，例如電壓和電容）用作循環壽命早期結果預測的輸入。

　　這些來自機器學習（ML）模型的循環壽命預測隨后被發送到BO算法，該算法建議通過平衡探索（測試協議的估計壽命高不確定性的測試協議）和開發（測試協議）的競爭需求來測試下一個協議具有較高的估計壽命）。

　　重復此過程，直到測試預算用盡。在這種方法中，早期預測減少了每個測試電池所需的循環次數，而最佳的實驗設計減少了所需的實驗次數。

　　循環使用至失敗電池的小型訓練數據集既可用于訓練早期結果預測器，又可用于設置BO超參數。在將來的工作中，電池材料和工藝的設計也可以集成到該閉環系統中。

　　因為機器學習系統在接受過幾次循環失敗的電池的培訓后，可以在早期數據中找到預示電池可持續使用時間的模式。

　　機器學習減少了他們必須測試的方法的數量。計算機沒有平等地測試每種可能的充電方法，也不是依靠直覺來測試，而是從其經驗中學到了可以快速找到最佳測試協議。

　　斯坦福大學計算機科學教授Ermon表示：“與材料科學家和從事電池工作的人們交談時，我們意識到在這個領域實際上沒有人使用更復雜的AI，因此我們認為這很有希望?！?/p>

　　他說：“你可以施加不同的電壓，不同的電流，不同的強度-它們可能都在相同的時間內為電池充電，但是有些可能會損壞電池的內部組件。”

　　研究人員說，該方法有望加速電池開發的每個環節：從設計電池的化學性質到確定其尺寸和形狀，再到尋找更好的制造和存儲系統。

　　“我們想出了如何極大地加快超快速充電的測試過程的方法，可以將這種方法應用于解決目前可能阻礙電池開發數月或數年的許多其他問題?！表椖抗餐撠熑吮说?阿蒂亞表示。

　　豐田研究院的科學家帕特里克?赫林說：“這是進行電池開發的一種新方法。擁有可以在學術界和工業界的許多人之間共享并自動分析的數據，可以加快創新速度。”

　　他補充說，通過機器學習來優化電池開發過程的其他部分，電池開發以及更新更好的技術的出現將加速一個甚至更多個數量級。

　　這項研究項目得到了斯坦福大學、豐田研究所、美國國家科學基金會、美國能源部和微軟的支持。