斯坦福联手丰田利用AI开发新型动力电池

当前，电池企业和科学家正在积极研发新型电池或寻找优化电池制造的新工艺。

外媒报道称，斯坦福大学与丰田研究人员合作开发了一种新机器学习方法，可以加速电动汽车电池的开发。

具体而言，麻省理工学院斯坦福分校和丰田研究院的研究团队开发了一种基于机器学习的方法，将电池充电测试时间从近两年缩短至16天，缩短了近15倍，有助于加速新型电池的开发进度。

在电池开发过程的每个阶段，必须对新技术进行数月甚至数年的测试，以确定它们将持续多长时间。

而设计超快速充电电池是一个重大挑战，主要是因为很难使它们持续使用。更快的充电强度会使电池承受更大的压力，这通常会导致电池过早失效。

为此，麻省理工学院和丰田研究所希望找到在10分钟内为EV电池充电的最佳方法，以最大限度地延长电池的整体使用寿命。为了找到最佳方法，该团队使用AI来帮助进行各种充电试验的分类。

该研究小组于周二在《自然》杂志上发表了这项研究，该研究表明获得专利的AI程序如何预测电池对充电方法的不同反应方式。

从一开始，团队就发现快速充电优化需要进行多次试错测试-对于人类而言这是低效率的，但对于机器而言却是完美的问题。

闭环优化（CLO）系统的示意图

首先，对电池进行测试。前100个循环的循环数据（特别是电化学测量值，例如电压和电容）用作循环寿命早期结果预测的输入。

这些来自机器学习（ML）模型的循环寿命预测随后被发送到BO算法，该算法建议通过平衡探索（测试协议的估计寿命高不确定性的测试协议）和开发（测试协议）的竞争需求来测试下一个协议具有较高的估计寿命）。

重复此过程，直到测试预算用尽。在这种方法中，早期预测减少了每个测试电池所需的循环次数，而最佳的实验设计减少了所需的实验次数。

循环使用至失败电池的小型训练数据集既可用于训练早期结果预测器，又可用于设置BO超参数。在将来的工作中，电池材料和工艺的设计也可以集成到该闭环系统中。

因为机器学习系统在接受过几次循环失败的电池的培训后，可以在早期数据中找到预示电池可持续使用时间的模式。

机器学习减少了他们必须测试的方法的数量。计算机没有平等地测试每种可能的充电方法，也不是依靠直觉来测试，而是从其经验中学到了可以快速找到最佳测试协议。

斯坦福大学计算机科学教授Ermon表示：“与材料科学家和从事电池工作的人们交谈时，我们意识到在这个领域实际上没有人使用更复杂的AI，因此我们认为这很有希望。”

他说：“你可以施加不同的电压，不同的电流，不同的强度-它们可能都在相同的时间内为电池充电，但是有些可能会损坏电池的内部组件。”

研究人员说，该方法有望加速电池开发的每个环节：从设计电池的化学性质到确定其尺寸和形状，再到寻找更好的制造和存储系统。

“我们想出了如何极大地加快超快速充电的测试过程的方法，可以将这种方法应用于解决目前可能阻碍电池开发数月或数年的许多其他问题。”项目共同负责人彼得