當前，電池企業(yè)和科學家正在積極研發(fā)新型電池或尋找優(yōu)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(fā)了一種新機器學習方法，可以加速電動汽車電池的開發(fā)。
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(fā)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(fā)進度。
在電池開發(fā)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(xù)多長時間。
而設計超快速充電電池是一個重大挑戰(zhàn)，主要是因為很難使它們持續(xù)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(fā)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(fā)現快速充電優(yōu)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(huán)優(yōu)化（CLO）系統(tǒng)的示意圖
首先，對電池進行測試。前100個循環(huán)的循環(huán)數據（特別是電化學測量值，例如電壓和電容）用作循環(huán)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(huán)壽命預測隨后被發(fā)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(fā)（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(huán)次數，而最佳的實驗設計減少了所需的實驗次數。
循環(huán)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(huán)系統(tǒng)中。
因為機器學習系統(tǒng)在接受過幾次循環(huán)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(xù)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?！?
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(fā)的每個環(huán)節(jié)：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(tǒng)。
“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(fā)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(fā)的一種新方法。擁有可以在學術界和工業(yè)界的許多人之間共享并自動分析的數據，可以加快創(chuàng)新速度。”
他補充說，通過機器學習來優(yōu)化電池開發(fā)過程的其他部分，電池開發(fā)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。
