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(shù)十年來，電動汽車電池的發(fā)展一直受到電池研發(fā)測試這一主要瓶頸的限制。在電池開發(fā)過程中的每個階段，都必須對新技術進行數(shù)月甚至數(shù)年的測試，以確定電池能夠持續(xù)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(yōu)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(shù)月乃至數(shù)年的時間，而且參數(shù)的調整、空間和樣品的多樣性更使得實驗進一步延長。

　　現(xiàn)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(fā)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(fā)進度。

　　該研究于2020年2月19日發(fā)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(zhàn)，主要是因為很難使它們持續(xù)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(yōu)化這一過程。從一開始，團隊就發(fā)現(xiàn)快速充電優(yōu)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(fā)了具有早期結果預測功能的閉環(huán)優(yōu)化（CLO）系統(tǒng)。該系統(tǒng)具有早期的結果預測功能，可以在大參數(shù)空間上進行高效的優(yōu)化，同時具有高采樣可變性。

　　這種方法能夠快速優(yōu)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(xié)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(huán)實驗的時間。

　　在先前的研究中，研究人員發(fā)現(xiàn)，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(tǒng)在接受過幾次循環(huán)的電池充電訓練后，可以在早期數(shù)據(jù)中找到預示電池可持續(xù)使用時間的規(guī)律。

　　其次，機器學習減少了他們必須測試的方法的數(shù)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(jīng)驗中吸取教訓，以快速找到要測試的最佳協(xié)議。

　　通過使用這種 CLO 優(yōu)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(huán)優(yōu)化 (CLO) 系統(tǒng)的原理

　　該閉環(huán)優(yōu)化系統(tǒng)的工作原理如圖所示。

　　CLO 系統(tǒng)原理示意圖

　　如圖所示，該系統(tǒng)包括三個組件：多通道電池循環(huán)器，循環(huán)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(huán)器；這項工作中使用的循環(huán)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(xié)議集中隨機選擇（不替換）第一輪48個電池的充電協(xié)議（方法）。每個電池進行100次循環(huán)重復充電（約4天；平均預測循環(huán)壽命905個循環(huán)），超過該時間終止實驗。

　　前100個充電周期的循環(huán)數(shù)據(jù)（特別是電化學測量值，例如電壓和電容）用作循環(huán)壽命早期結果預測的輸入。這些來自機器學習模型的循環(huán)壽命預測，隨后被發(fā)送到 BO 算法，來測試下一個具有較高估計壽命的協(xié)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(huán)次數(shù)，而最佳的實驗設計減少了所需的實驗次數(shù)。

　　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(fā)的每個環(huán)節(jié)：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(tǒng)。

　　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(fā)的一種新方法。擁有可以在學術界和工業(yè)界之間共享并自動分析的數(shù)據(jù)，可以加快創(chuàng)新速度?！?/p>

　　Herring 補充說，這項研究的機器學習和數(shù)據(jù)收集系統(tǒng)，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(yōu)化過程的其他部分，電池開發(fā)以及更新更好的技術的出現(xiàn)將加速一個數(shù)量級甚至更多個數(shù)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(fā)到優(yōu)化 X 射線和激光的性能等其他大數(shù)據(jù)測試問題，都可以通過使用機器學習優(yōu)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(fā)現(xiàn)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(fā)現(xiàn)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/