斯坦福/麻省理工/丰田研究院合作 利用机器学习加快电池研发

大龙车务 电池性能可以决定的续航里程、充电时间、使用寿命等使用体验。现在，人工智能技术能够让电动汽车充电的时间与给汽车加油的时间一样，还可以改善电池技术的其他方面。

（图片来源：Cube3D）

几十年来，电池发展都受到一个主要瓶颈的制约：评估时间。在电池研发的各个阶段，新技术都需要经过数月甚至数年的测试，才能确定其寿命几何。但是现在，，由斯坦福大学教授Stefano Ermon和William Chueh领导的一个研究小组研发了一种基于机器学习的方法，可以将测试时间减少98%。尽管该小组在电池充电速度上测试了其方法，但是他们表示，该方法还可应用于电池研发的其他部分，甚至可用于非能源技术。

此次研究是斯坦福大学、麻省理工学院和丰田研究院（Toyota Research Institute）科学家们之间更大规模合作的一部分，致力于弥合基础学术研究与真实世界工业应用之间的鸿沟。他们的目标是，找到在10分钟内为电动汽车充满电的最佳方法，使电池整体寿命实现最大化。研究人员编写了一个程序，根据几个充电周期预测电池对不同充电方式的反应。该软件还可以实时决定关注或忽略哪些充电方式。通过缩短试验时间和次数，研究人员将试验时间从近两年缩短至16天。

更智能的电池测试方法

设计超快充电电池是一个巨大挑战，主要因为很难让此类电池的寿命持久。充电更快会让电池承受的压力更大，通常导致电池过早出现故障。电池组的成本占电动汽车总成本的很大一部分，为了防止电池组受损，电池工程师必须详尽地测试一系列充电方法，以找到最有效的充电方法。

新研究试图能够优化该测试过程，最开始，该团队就发现优化快速充电需要进行很多次反复试验，对于人类而言会很低效，但对于机器来说就很完美。

该团队在两个关键方面利用了机器学习的能力。首先，他们用机器学习减少每次进行充电循环实验的时间。在前一项研究中，研究人员发现，他们可以预测在第一次充电100次之后，电池寿命还有多长。这是因为机器学习系统在接受了几次电池充电循环失灵的训练之后，就可以从早期数据中发现预测电池寿命的模式。

第二，机器学习减少了必须测试的方法的数量。计算机从以往的经验中吸取教训，以迅速找到最佳协议进行测试，而不是对每一种可能的充电方法都进行同等测试，或者依靠直接。

通过在更少的充电周期内测试更少的充电方法，研究人员很快找到了一种最佳的超高速充电方案。Ermon表示，除了显著加快测试过程之外，该计算机的解决方案也比电池科学家设计出的方案更好。

更广泛的应用

研究人员表示，他们的方法可以几乎加速电池研发的每一个环节：从设计电池的化学成分，到确定电池的大小和形状，再找到更好的制造和存储系统。这不仅会为电动汽车带来广泛影响，还会对其他类型的能源存储产生广泛影响，这也是全球转而使用风能和太阳能的关键要求。

研究人员表示，该项研究的机器学习和数据收集系统将供未来的电池科学家免费使用。通过使用该系统来优化机器学习过程的其他部分，能够加快电池以及更新更好技术的到来。

研究人员还表示，该项研究方法甚至可应用于电池之外的领域。从药物开发到优化X射线和激光的性能等其他大数据测试问题，也可以通过使用机器学习优化技术来实现。