当前，电池企业和科学家正在积极研发新型电池或探求优化电池制造的新工艺。
外媒宣布称，斯坦福大学与丰田研究职员互助开拓了一种新机器学习方法，可以加速电动汽车电池的开拓。
详细而言，麻省理工学院斯坦福分校和丰田研究院的研究团队开拓了一种基于机器学习的方法，将电池充电测试韶光从近两年缩短至16天，缩短了近15倍，有助于加速新型电池的开拓进度。
在电池开拓过程的每个阶段，必须对新技能进行数月乃至数年的测试，以确定它们将持续多永劫光。
而设计超快速充电电池是一个重大寻衅，紧张是由于很难使它们持续利用。更快的充电强度会使电池承受更大的压力，这常日会导致电池过早失落效。
为此，麻省理工学院和丰田研究所希望找到在10分钟内为EV电池充电的最佳方法，以最大限度地延长电池的整体利用寿命。为了找到最佳方法，该团队利用AI来帮助进行各种充电试验的分类。
该研究小组于周二在《自然》杂志上揭橥了这项研究，该研究表明得到专利的AI程序如何预测电池对充电方法的不同反应办法。
从一开始，团队就创造快速充电优化须要进行多次试错测试-对付人类而言这是低效率的，但对付机器而言却是完美的问题。
首先，对电池进行测试。前100个循环的循环数据（特殊是电化学丈量值，例如电压和电容）用作循环寿命早期结果预测的输入。
这些来自机器学习（ML）模型的循环寿命预测随后被发送到BO算法，该算法建议通过平衡探索（测试协议的估计寿命高不愿定性的测试协议）和开拓（测试协议）的竞争需求来测试下一个协议具有较高的估计寿命）。
重复此过程，直到测试预算用尽。在这种方法中，早期预测减少了每个测试电池所需的循环次数，而最佳的实验设计减少了所需的实验次数。
循环利用至失落败电池的小型演习数据集既可用于演习早期结果预测器，又可用于设置BO超参数。在将来的事情中，电池材料和工艺的设计也可以集成到该闭环系统中。
由于机器学习系统在接管过几次循环失落败的电池的培训后，可以在早期数据中找到预示电池可持续利用韶光的模式。
机器学习减少了他们必须测试的方法的数量。打算机没有平等地测试每种可能的充电方法，也不是依赖直觉来测试，而是从其履历中学到了可以快速找到最佳测试协议。
斯坦福大学打算机科学教授Ermon表示：“与材料科学家和从事电池事情的人们交谈时，我们意识到在这个领域实际上没有人利用更繁芜的AI，因此我们认为这很有希望。”
他说：“你可以施加不同的电压，不同的电流，不同的强度-它们可能都在相同的韶光内为电池充电，但是有些可能会破坏电池的内部组件。”
研究职员说，该方法有望加速电池开拓的每个环节：从设计电池的化学性子到确定其尺寸和形状，再到探求更好的制造和存储系统。
“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，可以将这种方法运用于办理目前可能阻碍电池开拓数月或数年的许多其他问题。”项目共同卖力人彼得•阿蒂亚表示。
丰田研究院的科学家帕特里克•赫林说：“这是进行电池开拓的一种新方法。拥有可以在学术界和工业界的许多人之间共享并自动剖析的数据，可以加快创新速率。”
他补充说，通过机器学习来优化电池开拓过程的其他部分，电池开拓以及更新更好的技能的涌现将加速一个乃至更多个数量级。
这项研究项目得到了斯坦福大学、丰田研究所、美国国家科学基金会、美国能源部和微软的支持。
免责声明：以上内容转载自能源界，所发内容不代表本平台态度。
全国能源信息平台联系电话：010-65367702，邮箱：hz@people-energy.com.cn，地址：北京市朝阳区金台西路2号公民日报社