圖片來源@視覺中國

　　文 | 學術頭條

　　從行駛里程，到充電時間，再到汽車使用壽命，電池的性能深刻影響著一輛電動汽車的體驗。

　　而數十年來，電動汽車電池的發展一直受到電池研發測試這一主要瓶頸的限制。在電池開發過程中的每個階段，都必須對新技術進行數月甚至數年的測試，以確定電池能夠持續使用多長時間。

　　最典型的例子，就是對鋰離子電池的材料選擇、電池制造和工作運行等過程進行控制優化。通常人們需要對鋰離子電池的壽命進行評估，但是這樣的實驗往往會花費數月乃至數年的時間，而且參數的調整、空間和樣品的多樣性更使得實驗進一步延長。

　　現在由斯坦福大學教授、麻省理工學院和豐田研究院合作開發了一種基于機器學習的方法，能夠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。

　　該研究于2020年2月19日發表在《自然》雜志上。

　　極大壓縮測試時間

　　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。

　　為了防止構成電動汽車總成本很大一部分的電池組的輕易損壞，電池工程師必須測試一系列詳盡的充電方式，以找到最有效的充電方法。

　　新的研究試圖優化這一過程。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，這對人類來說效率不高，但對機器而言卻是可以完美解決的問題。

　　在這項研究中，該團隊開發了具有早期結果預測功能的閉環優化（CLO）系統。該系統具有早期的結果預測功能，可以在大參數空間上進行高效的優化，同時具有高采樣可變性。

　　這種方法能夠快速優化特定的包含六步過程的電流和電壓曲線，以及能夠使得電池壽命最大化的十分鐘快充協議，這種快充技術能夠緩解電動汽車用戶的里程焦慮。

　　研究團隊從左至右包括斯坦福大學教授 William Chueh，豐田汽車研究所科學家 Muratahan Aykol，斯坦福大學博士生 Aditya Grover、Peter Attia，斯坦福大學教授 Stefano Ermon 和 TRI 科學家 Patrick Herring。（圖片來源：Farrin Abbott）

　　首先，他們使用算法來減少每個循環實驗的時間。

　　在先前的研究中，研究人員發現，不用通過每個電池進行反復充電直至其報廢（這是測試電池壽命的通常方法），他們可以僅在最初100個充電周期后預測出電池可以使用多長時間。這是因為機器學習系統在接受過幾次循環的電池充電訓練后，可以在早期數據中找到預示電池可持續使用時間的規律。

　　其次，機器學習減少了他們必須測試的方法的數量。

　　計算機不是均等地或依靠直覺來測試每種可能的充電方法，而是從其經驗中吸取教訓，以快速找到要測試的最佳協議。

　　通過使用這種 CLO 優化方法，研究人員能夠在16天內將224個待測電池中具有長壽命快充能力的電池篩選出來，并最終驗證了該方法的有效性，值得一提的是，原有224電池測試大約需要560天。

　　閉環優化 (CLO) 系統的原理

　　該閉環優化系統的工作原理如圖所示。

　　CLO 系統原理示意圖

　　如圖所示，該系統包括三個組件：多通道電池循環器，循環壽命的早期預測器和BO 算法。在每個順序輪次中，我們都要遍歷這三個組成部分。

　　第一個組件是多通道電池循環器；這項工作中使用的循環儀可同時測試48個電池。在開始 CLO 之前，從完整的224個獨特的多步驟協議集中隨機選擇（不替換）第一輪48個電池的充電協議（方法）。每個電池進行100次循環重復充電（約4天；平均預測循環壽命905個循環），超過該時間終止實驗。

　　前100個充電周期的循環數據（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。這些來自機器學習模型的循環壽命預測，隨后被發送到 BO 算法，來測試下一個具有較高估計壽命的協議，重復此過程，直到測試結束。

　　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。

　　更加寬廣的應用范圍

　　研究人員在提到該算法時表示，他們的方法幾乎可以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。

　　這不僅對電動汽車，而且對其他類型的儲能方式都將產生廣泛的影響，這是在全球范圍內轉向風能和太陽能的關鍵要求。

　　該研究的合著者、豐田研究院的科學家 Patrick Herring 表示：「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之間共享并自動分析的數據，可以加快創新速度。」

　　Herring 補充說，這項研究的機器學習和數據收集系統，將可供未來的電池科學家自由使用。他說，通過機器學習來優化過程的其他部分，電池開發以及更新更好的技術的出現將加速一個數量級甚至更多個數量級。

　　研究人員也認為，這項研究方法的潛力甚至超出了電池領域。從藥物開發到優化 X 射線和激光的性能等其他大數據測試問題，都可以通過使用機器學習優化來徹底解決。

　　斯坦福大學教授 Stefano Ermon 表示：「更大的希望是幫助科學發現本身。我們在問：我們可以設計這些方法來自動提出假設嗎？它們可以幫助我們提取人類無法理解的知識嗎？隨著我們的算法越來越好，我們希望整個科學發現過程可以大大加快。」

　　參考資料：

　　Attia, P.M., Grover, A., Jin, N. et al. Closed-loop optimization of fast-charging protocols for batteries with machine learning. Nature 578, 397–402 (2020).

　　https://news.stanford.edu/2020/02/19/machine-learning-speed-arrival-ultra-fast-charging-electric-car/