使用机器学习，斯坦福主导的研究团队已经削减了电池测试时间 - 一个持久的关键障碍，电动汽车充电电池。
来自斯坦福的新机器学习方法，拥有丰田研究人员，可以为电动汽车提升电池开发
使用新的机器学习方法，斯坦福主导的研究团队已经削减了电池测试时间 - 持续更持久，电动汽车电池更快的电池的关键障碍 - 几乎是近五倍。
电池性能可以制造或打破电动车辆体验，从驾驶范围到充电时间到汽车的寿命。现在，人工智能使梦想成为在加油站停止的时候充电，更有可能的现实，并且可以帮助改善电池技术的其他方面。
几十年来，电动汽车电池的进步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，必须在几个月甚至年内测试新技术，以确定他们持续多久。但是，现在，由斯坦福教授斯蒂芬诺·米蒙和威廉·克冯领导的团队开发了一种基于机器学习的方法，将这些测试时间削减了98％。虽然该组对电池充电速度进行了测试的方法，但它们表示可以应用于电池开发管道的许多其他部分，甚至是非能源技术。
由斯坦福教授斯蒂芬诺·米蒙和威廉·克冯领导的团队已经削减了电池测试时间 - 更持久，电动汽车电池更快充电的电池的关键障碍。
“在电池测试中，您必须尝试大量的东西，因为您所获得的性能会急剧上变得急剧上，”计算机科学助理教授Ererm说。“与AI进行，我们能够快速识别最有前途的方法，削减了很多不必要的实验。”
本研究于2020年2月19日出版的本性是来自斯坦福，麻省理工学院和丰田研究所的科学家们的大型合作的一部分，桥接基础学术研究和现实世界行业应用。目标：找到10分钟内为EV电池充电的最佳方法，最大限度地提高电池的整体寿命。研究人员撰写了一个计划，即仅基于几个充电周期，预测电池如何响应不同的充电方法。该软件还在实时决定了专注于或忽略的途径。通过减少试验的长度和数量，研究人员将测试过程从近两年减少到16天。
“我们在如何大大加速测试过程中获得极端快速充电的最大速度，”彼得塔维亚说，他是一名研究生。“但是，真正令人兴奋的是这种方法。我们可以将这种方法应用于其他许多其他问题，即现在持有几个月或多年的电池开发。“
电池测试更聪明的方法
设计超快速充电电池是一项重大挑战，主要是因为很难让他们持续。更快的电荷的强度对电池的压力产生了更大的压力，这通常会导致它早期失败。为防止对电池组的这种损坏，一个组件，用于电动汽车总成本的大型块，电池工程师必须测试一系列详尽的充电方法，以找到最佳的工作。
新的研究寻求优化这个过程。首先，该团队看到快速充电优化达到许多试验和错误测试 - 人类效率低下的东西，但机器的完美问题。
研究团队包括，从左边，斯坦福教授William Chueh，丰田研究所科学家穆拉塔邦·艾克尔，斯坦福博士学生Aditya Grover，斯坦福博士彼得塔维亚，斯坦福教授Stefano Ermon和Tri科学家帕特里克·鲱鱼。
“机器学习是试验和错误，但以更聪明的方式，”电脑科学研究生，也联合研究了这项研究。“在探索探索时，计算机远远优于我们 - 尝试新的和不同的方法 - 以及何时在最有前途的方法中剥削或零。”
该团队以两种关键方式使用了这一权力。首先，他们用它来减少每循环实验的时间。在以前的一项研究中，研究人员发现，直到失败，而不是充电和充电，直到它失败 - 测试电池的寿命 - 他们可以预测仅在前100个充电周期之后持续多长时间的电池。这是因为机器学习系统，在循环到失败的几个电池上培训后，可以在预测电池持续时间的早期数据中找到模式。
其次，机器学习减少了他们必须测试的方法数量。而不是测试各种可能的充电方法，或者依赖于直觉，计算机从其经验中了解到快速找到最佳的测试协议。
通过测试较少的方法较少，研究的作者迅速为其电池发现了最佳的超快速充电协议。除了显着加速测试过程之外，计算机的解决方案也更好 - 更加异常 - 比电池科学家可能已经设计的更不寻常，这是ermon。
“它给了我们这个令人惊讶的简单的充电协议 - 我们没想到的东西，”Ermon说。“这是人类和机器之间的区别：机器并不被人类直觉偏向，这是强大的但有时误导。“
更广泛的应用
研究人员表示，他们的方法可以加速几乎每一块电池开发管道：从设计电池的化学以确定其尺寸和形状，以找到更好的制造和存储系统。这对电动汽车不仅具有广泛的影响，而且具有广泛的影响，而是用于其他类型的能量存储，这是使开关在全球范围内开启风和太阳能的关键要求。
“这是一项新的电池发展方式，”帕特里克·赫朗斯（Tyouso Research Institute）的科学家合作说道。“拥有您可以在学术界和工业中的大量人群中分享的数据，并自动分析，可以更快创新。”
鲱鱼添加了该研究的机器学习和数据收集系统，可用于未来的电池科学家自由使用。他说，通过使用该系统优化工艺的其他部分，电池开发 - 以及更新的技术，更好的技术 - 可以加速数量级或更多。
Ermon表示，研究方法的潜力甚至超越了电池世界。其他大数据测试问题，从药物开发到优化X射线和激光器的性能，也可以通过使用机器学习优化来彻底改变。他说，他说，它甚至可以帮助优化所有基本的过程之一。
“更大的希望是帮助科学发现自己，”Ermon说。“我们要问：我们可以设计这些方法自动提出假设吗？他们可以帮助我们提取人类不能的知识吗？随着我们获得更好更好的算法，我们希望整个科学发现过程可能会急剧加速。“
参考：“电池电池快速充电协议的闭环优化”由Peter M. Attia，Aditya Grover，Norman Jin，Kristen A. Severson，Todor M. Markov，Yang-Hung Liao，Michael H. Chen，Bryan Cheong ，尼古拉斯珀金斯，紫阳，帕特里克K.鲱鱼，Muratahan Aykol，斯蒂芬J. Harris，Richard D. Braatz，Stefano Ermon和William C. Chueh，19月19日，自然：
10.1038 / S41586-020-1994-5
额外的斯坦福共同作者包括诺曼金，杨鸿廖，迈克尔H.陈，布莱恩·昌，尼古拉斯珀基斯，紫阳，斯蒂芬哈里斯和Todor M.马尔可夫。其他共同作者来自麻省理工学院和丰田研究所。
这项工作得到了美国国家科学基金会，美国能源部和微软公司的丰田研究所的斯坦福德支持。
