新的机器学习方法可以为电动汽车的电池开发提供动力

 
从行驶里程到充电时间再到汽车使用寿命，电池性能可能会改变电动汽车的体验。现在，人工智能已经使梦想变成了现实，例如在加油站停车时给电动汽车充电，这可能成为现实，并且可以帮助改善电池技术的其他方面。
几十年来，电动汽车电池的发展一直受到主要瓶颈的限制：评估时间。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。但是现在，由斯坦福大学教授Stefano Ermon和William Chueh领导的团队开发了一种基于机器学习的方法，该方法将这些测试时间缩短了98%。尽管该小组对电池充电速度进行了测试，但他们表示该方法可以应用于电池开发流程的许多其他部分，甚至可以应用于非能源技术。
“在电池测试中，您必须尝试大量的事情，因为获得的性能会大大不同，”计算机科学助理教授Ermon说。 “借助AI，我们能够快速找到最有前途的方法，并消除了许多不必要的实验。”
该研究于2月19日由《自然》杂志发表，是斯坦福大学，麻省理工学院和丰田研究所的科学家之间更大合作的一部分，该合作将基础学术研究与现实世界的工业应用联系起来。目标：找到在10分钟内为EV电池充电的最佳方法，以最大化电池的整体使用寿命。研究人员编写了一个程序，该程序仅基于几个充电周期即可预测电池对不同充电方式的反应。该软件还实时确定关注或忽略哪些计费方式。通过减少试验的时间和数量，研究人员将测试过程从近两年缩短到16天。
彼得·阿蒂亚(Peter Attia)说：“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。” “不过，真正令人兴奋的是这种方法。我们可以将这种方法应用于目前困扰电池开发几个月或几年的许多其他问题。”
一种更智能的电池测试方法
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。为了防止损坏构成电动汽车总成本很大一部分的电池组，电池工程师必须测试一系列详尽的充电方法，以找到最有效的充电方法。
新的研究试图优化这一过程。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。
共同领导这项研究的计算机科学研究生Aditya Grover说：“机器学习是反复试验，但是以一种更明智的方式。” “在确定何时进行探索(尝试新的和不同的方法)以及何时对最有前途的方法进行开发或零投入方面，计算机要比我们好得多。”
团队通过两种关键方式利用了这一优势。首先，他们使用它来减少每个循环实验的时间。在先前的研究中，研究人员发现，与其对每个电池进行充电和充电直至其失效(这是测试电池寿命的常用方法)，他们可以预测仅在最初的100个充电周期后电池可以使用多长时间。这是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。
其次，机器学习减少了他们必须测试的方法的数量。计算机不是从均等地或依靠直觉来测试每种可能的充电方法，而是从其经验中吸取教训，以快速找到要测试的最佳协议。
通过以更少的周期测试更少的方法，该研究的作者迅速找到了适合其电池的最佳超快速充电协议。 Ermon说，除了大大加快测试过程之外，该计算机的解决方案还比电池科学家可能设计的要好得多，而且异常得多。
埃尔蒙说：“它给了我们这个令人惊讶的简单充电协议，这是我们没想到的。”该算法的解决方案不是在充电开始时以最高电流充电，而是在充电中间使用最高电流。 “这就是人与机器的区别：机器不受人类直觉的偏见，人类的直觉功能强大，但有时会引起误解。”
应用范围更广
研究人员说，他们的方法几乎可以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。这不仅对电动汽车而且对其他类型的储能都将产生广泛的影响，这是在全球范围内转向风能和太阳能的关键要求。
该研究的合著者，丰田研究院的科学家帕特里克·赫林说：“这是进行电池开发的一种新方法。” “拥有可以在学术界和工业界的许多人之间共享并自动分析的数据，可以加快创新速度。”
Herring补充说，这项研究的机器学习和数据收集系统将可供未来的电池科学家自由使用。他说，通过使用该系统通过机器学习来优化过程的其他部分，电池开发以及更新更好的技术的出现将加速一个数量级甚至更多个数量级。
埃蒙说，这项研究方法的潜力甚至超出了电池领域。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来彻底解决。他说，最终，它甚至可以帮助优化所有最基本的流程之一。
埃蒙说：“更大的希望是帮助科学发现本身。” “我们在问：我们可以设计这些方法来自动提出假设吗?它们可以帮助我们提取人类无法理解的知识吗?随着算法越来越好，我们希望整个科学发现过程可以大大加快。”