圖片來(lái)源@視覺中國(guó)

　　文 | 學(xué)術(shù)頭條

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

　　而數(shù)十年來(lái)，電動(dòng)汽車電池的發(fā)展一直受到電池研發(fā)測(cè)試這一主要瓶頸的限制。在電池開發(fā)過(guò)程中的每個(gè)階段，都必須對(duì)新技術(shù)進(jìn)行數(shù)月甚至數(shù)年的測(cè)試，以確定電池能夠持續(xù)使用多長(zhǎng)時(shí)間。

　　最典型的例子，就是對(duì)鋰離子電池的材料選擇、電池制造和工作運(yùn)行等過(guò)程進(jìn)行控制優(yōu)化。通常人們需要對(duì)鋰離子電池的壽命進(jìn)行評(píng)估，但是這樣的實(shí)驗(yàn)往往會(huì)花費(fèi)數(shù)月乃至數(shù)年的時(shí)間，而且參數(shù)的調(diào)整、空間和樣品的多樣性更使得實(shí)驗(yàn)進(jìn)一步延長(zhǎng)。

　　現(xiàn)在由斯坦福大學(xué)教授、麻省理工學(xué)院和豐田研究院合作開發(fā)了一種基于機(jī)器學(xué)習(xí)的方法，能夠?qū)㈦姵爻潆姕y(cè)試時(shí)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(jìn)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(cè)試時(shí)間

　　設(shè)計(jì)超快速充電電池是一個(gè)重大挑戰(zhàn)，主要是因?yàn)楹茈y使它們持續(xù)使用。更快的充電強(qiáng)度會(huì)使電池承受更大的壓力，這通常會(huì)導(dǎo)致電池過(guò)早失效。

　　為了防止構(gòu)成電動(dòng)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(cè)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(guò)程。從一開始，團(tuán)隊(duì)就發(fā)現(xiàn)快速充電優(yōu)化需要進(jìn)行多次試錯(cuò)測(cè)試，這對(duì)人類來(lái)說(shuō)效率不高，但對(duì)機(jī)器而言卻是可以完美解決的問(wèn)題。

　　在這項(xiàng)研究中，該團(tuán)隊(duì)開發(fā)了具有早期結(jié)果預(yù)測(cè)功能的閉環(huán)優(yōu)化（CLO）系統(tǒng)。該系統(tǒng)具有早期的結(jié)果預(yù)測(cè)功能，可以在大參數(shù)空間上進(jìn)行高效的優(yōu)化，同時(shí)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(guò)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(shù)能夠緩解電動(dòng)汽車用戶的里程焦慮。

　　研究團(tuán)隊(duì)從左至右包括斯坦福大學(xué)教授 William Chueh，豐田汽車研究所科學(xué)家 Muratahan Aykol，斯坦福大學(xué)博士生 Aditya Grover、Peter Attia，斯坦福大學(xué)教授 Stefano Ermon 和 TRI 科學(xué)家 Patrick Herring。（圖片來(lái)源：Farrin Abbott）

　　首先，他們使用算法來(lái)減少每個(gè)循環(huán)實(shí)驗(yàn)的時(shí)間。

　　在先前的研究中，研究人員發(fā)現(xiàn)，不用通過(guò)每個(gè)電池進(jìn)行反復(fù)充電直至其報(bào)廢（這是測(cè)試電池壽命的通常方法），他們可以僅在最初100個(gè)充電周期后預(yù)測(cè)出電池可以使用多長(zhǎng)時(shí)間。這是因?yàn)闄C(jī)器學(xué)習(xí)系統(tǒng)在接受過(guò)幾次循環(huán)的電池充電訓(xùn)練后，可以在早期數(shù)據(jù)中找到預(yù)示電池可持續(xù)使用時(shí)間的規(guī)律。

　　其次，機(jī)器學(xué)習(xí)減少了他們必須測(cè)試的方法的數(shù)量。

　　計(jì)算機(jī)不是均等地或依靠直覺來(lái)測(cè)試每種可能的充電方法，而是從其經(jīng)驗(yàn)中吸取教訓(xùn)，以快速找到要測(cè)試的最佳協(xié)議。

　　通過(guò)使用這種 CLO 優(yōu)化方法，研究人員能夠在16天內(nèi)將224個(gè)待測(cè)電池中具有長(zhǎng)壽命快充能力的電池篩選出來(lái)，并最終驗(yàn)證了該方法的有效性，值得一提的是，原有224電池測(cè)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(gè)組件：多通道電池循環(huán)器，循環(huán)壽命的早期預(yù)測(cè)器和BO 算法。在每個(gè)順序輪次中，我們都要遍歷這三個(gè)組成部分。

　　第一個(gè)組件是多通道電池循環(huán)器；這項(xiàng)工作中使用的循環(huán)儀可同時(shí)測(cè)試48個(gè)電池。在開始 CLO 之前，從完整的224個(gè)獨(dú)特的多步驟協(xié)議集中隨機(jī)選擇（不替換）第一輪48個(gè)電池的充電協(xié)議（方法）。每個(gè)電池進(jìn)行100次循環(huán)重復(fù)充電（約4天；平均預(yù)測(cè)循環(huán)壽命905個(gè)循環(huán)），超過(guò)該時(shí)間終止實(shí)驗(yàn)。

　　前100個(gè)充電周期的循環(huán)數(shù)據(jù)（特別是電化學(xué)測(cè)量值，例如電壓和電容）用作循環(huán)壽命早期結(jié)果預(yù)測(cè)的輸入。這些來(lái)自機(jī)器學(xué)習(xí)模型的循環(huán)壽命預(yù)測(cè)，隨后被發(fā)送到 BO 算法，來(lái)測(cè)試下一個(gè)具有較高估計(jì)壽命的協(xié)議，重復(fù)此過(guò)程，直到測(cè)試結(jié)束。

　　在這種方法中，早期預(yù)測(cè)減少了每個(gè)測(cè)試電池所需的循環(huán)次數(shù)，而最佳的實(shí)驗(yàn)設(shè)計(jì)減少了所需的實(shí)驗(yàn)次數(shù)。

　　更加寬廣的應(yīng)用范圍

　　研究人員在提到該算法時(shí)表示，他們的方法幾乎可以加速電池開發(fā)的每個(gè)環(huán)節(jié)：從設(shè)計(jì)電池的化學(xué)性質(zhì)到確定其尺寸和形狀，再到尋找更好的制造和存儲(chǔ)系統(tǒng)。

　　這不僅對(duì)電動(dòng)汽車，而且對(duì)其他類型的儲(chǔ)能方式都將產(chǎn)生廣泛的影響，這是在全球范圍內(nèi)轉(zhuǎn)向風(fēng)能和太陽(yáng)能的關(guān)鍵要求。

　　該研究的合著者、豐田研究院的科學(xué)家 Patrick Herring 表示：「這是進(jìn)行電池開發(fā)的一種新方法。擁有可以在學(xué)術(shù)界和工業(yè)界之間共享并自動(dòng)分析的數(shù)據(jù)，可以加快創(chuàng)新速度?！?/p>

　　Herring 補(bǔ)充說(shuō)，這項(xiàng)研究的機(jī)器學(xué)習(xí)和數(shù)據(jù)收集系統(tǒng)，將可供未來(lái)的電池科學(xué)家自由使用。他說(shuō)，通過(guò)機(jī)器學(xué)習(xí)來(lái)優(yōu)化過(guò)程的其他部分，電池開發(fā)以及更新更好的技術(shù)的出現(xiàn)將加速一個(gè)數(shù)量級(jí)甚至更多個(gè)數(shù)量級(jí)。

　　研究人員也認(rèn)為，這項(xiàng)研究方法的潛力甚至超出了電池領(lǐng)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(cè)試問(wèn)題，都可以通過(guò)使用機(jī)器學(xué)習(xí)優(yōu)化來(lái)徹底解決。

　　斯坦福大學(xué)教授 Stefano Ermon 表示：「更大的希望是幫助科學(xué)發(fā)現(xiàn)本身。我們?cè)趩?wèn)：我們可以設(shè)計(jì)這些方法來(lái)自動(dòng)提出假設(shè)嗎？它們可以幫助我們提取人類無(wú)法理解的知識(shí)嗎？隨著我們的算法越來(lái)越好，我們希望整個(gè)科學(xué)發(fā)現(xiàn)過(guò)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/