電池性能可以決定電動汽車的使用體驗，從行駛里程到充電時間再到汽車的使用壽命。FPC小編發(fā)現(xiàn)，現(xiàn)在人工智能已經(jīng)使像在加油站給電動車充電這樣的夢想更有可能成為現(xiàn)實，并可能有助于改善電池技術的其他方面。

  幾十年來，電動汽車電池的發(fā)展一直受到一個主要瓶頸的限制:評估時間。在電池開發(fā)過程的每個階段，新技術都必須經(jīng)過數(shù)月甚至數(shù)年的測試，才能確定它們的壽命。但是現(xiàn)在，由斯坦福大學教授斯特凡諾埃爾蒙和威廉覺領導的一個團隊開發(fā)了一種基于機器學習的方法，可以將這些測試時間減少98%。研究小組測試了他們的電池充電速度的方法，他們說，該方法可以應用于電池開發(fā)管道的許多其他部分，甚至非能源技術。

  “在電池測試中，你必須嘗試大量的東西，因為你得到的性能會有很大的不同，”計算機科學助理教授埃爾蒙說。“有了人工智能，我們能夠迅速找出最有前途的方法，并省去許多不必要的實驗。”

  這項研究發(fā)表在2月19日的《自然》雜志上，是斯坦福大學、麻省理工學院和豐田研究院科學家之間更大規(guī)模合作的一部分。他們的目標是:找到在10分鐘內為電動汽車電池充電的最佳方法，使電池的整體壽命最大化。軟板廠獲悉，研究人員編寫了一個程序，根據(jù)幾個充電周期預測電池對不同充電方式的反應。該軟件還可以實時決定關注或忽略哪些收費方式。通過縮短試驗時間和次數(shù)，研究人員將試驗時間從近兩年縮短到16天。

  彼得阿提亞是這項研究的聯(lián)合負責人，當時他還是一名研究生。然而，真正令人興奮的是這種方法。我們可以把這種方法應用到其他許多問題上，而這些問題目前正阻礙電池的發(fā)展達數(shù)月或數(shù)年之久。”

更智能的電池測試方法

  設計超高速充電電池是一個主要的挑戰(zhàn)，主要是因為它很難持久?？焖俪潆姷膹姸葧o電池帶來更大的壓力，這通常會導致電池過早失效。電池組的成本占電動汽車總成本的很大一部分，為了防止電池組受損，電池工程師必須測試一系列詳盡的充電方法，以找到最有效的充電方法。

  新的研究試圖優(yōu)化這一過程。在一開始，團隊就發(fā)現(xiàn)快速充電的優(yōu)化意味著要進行很多的反復試驗——這對人類來說是低效的，但對機器來說是毫無問題的。

  “機器學習是一種反復嘗試的過程，但它們更聰明，”參與領導這項研究的計算機科學研究生阿蒂亞格羅弗說。“在何時探索——嘗試新的和不同的方法——以及何時開發(fā)(或瞄準)最有前途的方法方面，計算機比我們做得好得多。”

  柔性電路板廠了解到，該團隊在兩個關鍵方面采用了機器學習。首先，他們用機器學習來減少每次循環(huán)實驗的時間。在之前的一項研究中，研究人員發(fā)現(xiàn)，他們可以預測電池在第一次充電100次后的續(xù)航時間。這是因為機器學習系統(tǒng)在接受了幾次電池循環(huán)失靈的訓練后，可以從早期數(shù)據(jù)中發(fā)現(xiàn)預測電池壽命的模式。

  第二，機器學習減少了他們必須測試的方法的數(shù)量。計算機從以往的經(jīng)驗中吸取教訓，迅速找到最佳的協(xié)議進行測試，而不是對每一種可能的充電方法都進行同等的測試，或者依靠直覺。

  通過在更少的周期內測試更少的方法，研究團隊很快找到了一種最優(yōu)的超高速充電方案。埃爾蒙說，除了顯著加快測試過程之外，這臺計算機的解決方案也比電池科學家可能設計出的方案更好，而且更不尋常。

  埃爾蒙說:“它給我們帶來了一種意想不到的簡單充電協(xié)議。”該算法的解決方案不是在充電開始時以最高電流充電，而是在充電過程中使用最高電流。“這就是人與機器的區(qū)別:機器不受人類直覺的影響，雖然人類直覺是強大的，但有時會誤導人。”

更廣泛的應用

  研究人員表示，他們的方法可以加速電池開發(fā)的幾乎每一個環(huán)節(jié):從設計電池的化學成分，到確定電池的大小和形狀，再到尋找更好的制造和存儲系統(tǒng)。這不僅會對電動汽車產生廣泛影響，還會對其他類型的能源存儲產生廣泛影響，而這是全球范圍轉向風能和太陽能的關鍵要求。

  “這是一種進行電池開發(fā)的新方法，”該研究的作者之一、豐田研究院的科學家帕特里克赫林說。“你可以與學術界和工業(yè)界的許多人共享數(shù)據(jù)，并自動分析這些數(shù)據(jù)，這將大大加快創(chuàng)新的速度。”

  赫林補充說，這項研究的機器學習和數(shù)據(jù)收集系統(tǒng)以后將供電池科學家免費使用。他說，通過使用這個系統(tǒng)來優(yōu)化機器學習過程的其他部分，電池的發(fā)展——以及更新更好的技術的到來——可能會加快一個數(shù)量級甚至更多。

  埃爾蒙說，這項研究方法的潛力甚至超出了電池領域。其他大數(shù)據(jù)測試問題，從藥物開發(fā)到優(yōu)化x射線和激光的性能，也可以通過使用機器學習優(yōu)化技術來實現(xiàn)。最終，他說：”隨著我們得到越來越好的算法，我們希望整個科學發(fā)現(xiàn)過程能夠大大加快。”