（圖片來源：Cube3D）

 

       電池性能可以決定電動汽車的續航里程、充電時間、使用壽命等使用體驗。現在，人工智能技術能夠讓電動汽車充電的時間與給汽車加油的時間一樣，還可以改善電池技術的其他方面。

 

       幾十年來，電動汽車電池發展都受到一個主要瓶頸的制約：評估時間。在電池研發的各個階段，新技術都需要經過數月甚至數年的測試，才能確定其壽命幾何。但是現在，據外媒報道，由斯坦福大學教授Stefano Ermon和William Chueh領導的一個研究小組研發了一種基于機器學習的方法，可以將測試時間減少98%。盡管該小組在電池充電速度上測試了其方法，但是他們表示，該方法還可應用于電池研發的其他部分，甚至可用于非能源技術。

 

       此次研究是斯坦福大學、麻省理工學院和豐田研究院（Toyota Research Institute）科學家們之間更大規模合作的一部分，致力于彌合基礎學術研究與真實世界工業應用之間的鴻溝。他們的目標是，找到在10分鐘內為電動汽車充滿電的最佳方法，使電池整體壽命實現最大化。研究人員編寫了一個程序，根據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充電方式。通過縮短試驗時間和次數，研究人員將試驗時間從近兩年縮短至16天。

 

       更智能的電池測試方法

 

       設計超快充電電池是一個巨大挑戰，主要因為很難讓此類電池的壽命持久。充電更快會讓電池承受的壓力更大，通常導致電池過早出現故障。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，電池工程師必須詳盡地測試一系列充電方法，以找到最有效的充電方法。

 

       新研究試圖能夠優化該測試過程，最開始，該團隊就發現優化快速充電需要進行很多次反復試驗，對于人類而言會很低效，但對于機器來說就很完美。

 

       該團隊在兩個關鍵方面利用了機器學習的能力。首先，他們用機器學習減少每次進行充電循環實驗的時間。在前一項研究中，研究人員發現，他們可以預測在第一次充電100次之后，電池壽命還有多長。這是因為機器學習系統在接受了幾次電池充電循環失靈的訓練之后，就可以從早期數據中發現預測電池壽命的模式。

 

       第二，機器學習減少了必須測試的方法的數量。計算機從以往的經驗中吸取教訓，以迅速找到最佳協議進行測試，而不是對每一種可能的充電方法都進行同等測試，或者依靠直接。

 

       通過在更少的充電周期內測試更少的充電方法，研究人員很快找到了一種最佳的超高速充電方案。Ermon表示，除了顯著加快測試過程之外，該計算機的解決方案也比電池科學家設計出的方案更好。

 

       更廣泛的應用

 

       研究人員表示，他們的方法可以幾乎加速電池研發的每一個環節：從設計電池的化學成分，到確定電池的大小和形狀，再找到更好的制造和存儲系統。這不僅會為電動汽車帶來廣泛影響，還會對其他類型的能源存儲產生廣泛影響，這也是全球轉而使用風能和太陽能的關鍵要求。

 

       研究人員表示，該項研究的機器學習和數據收集系統將供未來的電池科學家免費使用。通過使用該系統來優化機器學習過程的其他部分，能夠加快電池以及更新更好技術的到來。

 

       研究人員還表示，該項研究方法甚至可應用于電池之外的領域。從藥物開發到優化X射線和激光的性能等其他大數據測試問題，也可以通過使用機器學習優化技術來實現。