电池性能可以决定电动汽车的使用体验，从行驶里程到充电时间再到汽车的使用寿命。现在，人工智能已经使像在加油站给电动车充电这样的梦想更有可能成为现实，并可能有助于改善电池技术的其他方面。
到网站上观看视频。
几十年来，电动汽车电池的发展一直受到一个主要瓶颈的限制:评估时间。在电池开发过程的每个阶段，新技术都必须经过数月甚至数年的测试，才能确定它们的寿命。但是现在，由斯坦福大学教授Stefano Ermon和William Chueh领导的一个团队开发了一种基于机器学习的方法，可以将这些测试时间减少98%。尽管该小组测试了他们的电池充电速度的方法，他们说，它可以应用于电池开发管道的许多其他部分，甚至非能源技术。
“在电池测试中，你必须尝试大量的东西，因为你得到的性能会有很大的不同，”计算机科学助理教授埃尔蒙说。“有了人工智能，我们能够迅速找出最有前途的方法，并省去许多不必要的实验。”
这项研究发表在2月19日的《自然》(Nature)杂志上，是斯坦福大学(Stanford)、麻省理工学院(MIT)和丰田研究院(Toyota Research Institute)科学家之间更大规模合作的一部分。他们的目标是:找到在10分钟内为电动汽车电池充电的最佳方法，使电池的整体寿命最大化。研究人员编写了一个程序，根据几个充电周期预测电池对不同充电方式的反应。该软件还可以实时决定关注或忽略哪些收费方式。通过缩短试验时间和次数，研究人员将试验时间从近两年缩短到16天。
彼得·阿提亚(Peter Attia)是这项研究的联合负责人，当时他还是一名研究生。然而，真正令人兴奋的是这种方法。我们可以把这种方法应用到其他许多问题上，而这些问题目前正阻碍电池的发展达数月或数年之久。”
更智能的电池测试方法
设计超高速充电电池是一个主要的挑战，主要是因为它很难持久。快速充电的强度会给电池带来更大的压力，这通常会导致电池过早失效。电池组的成本占电动汽车总成本的很大一部分，为了防止电池组受损，电池工程师必须测试一系列详尽的充电方法，以找到最有效的充电方法。
从左至右依次为:斯坦福大学教授William Chueh、丰田研究所科学家Muratahan Aykol、斯坦福大学博士生Aditya Grover、斯坦福大学博士生Peter Attia、斯坦福大学教授Stefano Ermon和TRI科学家Patrick Herring。(图片来源:Farrin Abbott)
新的研究试图优化这一过程。在一开始，团队就发现快速充电的优化等同于许多试错测试——这对人类来说是低效的，但对机器来说却是完美的问题。
“机器学习是一种反复尝试的过程，但以一种更聪明的方式，”参与领导这项研究的计算机科学研究生阿蒂亚·格罗弗(Aditya Grover)说。“在确定何时探索——尝试新的和不同的方法——以及何时开发(或瞄准)最有前途的方法方面，计算机远比我们做得好。”
该团队在两个关键方面利用了这种力量。首先，他们用它来减少每次循环实验的时间。在之前的一项研究中，研究人员发现，他们可以预测电池在第一次充电100次后的续航时间，而不是像通常测试电池寿命的方法那样，对每一块电池反复充电直至电池失效。这是因为机器学习系统在接受了几次电池循环失灵的训练后，可以从早期数据中发现预测电池寿命的模式。
第二，机器学习减少了他们必须测试的方法的数量。计算机从以往的经验中吸取教训，迅速找到最佳的协议进行测试，而不是对每一种可能的充电方法都进行同等的测试，或者依靠直觉。
通过在更少的周期内测试更少的方法，该研究的作者很快找到了一种最优的超高速充电方案。埃尔蒙说，除了显著加快测试过程之外，这台计算机的解决方案也比电池科学家可能设计出的方案更好，也更不寻常。
埃尔蒙说:“它给了我们一个非常简单的充电协议，这是我们没有预料到的。”“这就是人与机器的区别:机器不受人类直觉的偏见，而人类直觉是强大的，但有时会误导人。”
更广泛的应用
研究人员表示，他们的方法可以加速电池开发的几乎每一个环节:从设计电池的化学成分，到确定电池的大小和形状，再到寻找更好的制造和存储系统。这不仅会对电动汽车产生广泛影响，还会对其他类型的能源存储产生广泛影响，而这是全球范围转向风能和太阳能的关键要求。
“这是一种进行电池开发的新方法，”该研究的作者之一、丰田研究院(Toyota Research Institute)的科学家帕特里克·赫林(Patrick Herring)说。“你可以与学术界和工业界的许多人共享数据，并自动分析这些数据，这将大大加快创新的速度。”
赫林补充说，这项研究的机器学习和数据收集系统将供未来的电池科学家免费使用。他说，通过使用这个系统来优化机器学习过程的其他部分，电池的开发——以及更新、更好的技术的到来——可能会加快一个数量级甚至更多的速度。
埃尔蒙说，这项研究方法的潜力甚至超出了电池领域。其他大数据测试问题，从药物开发到优化x射线和激光的性能，也可以通过使用机器学习优化技术来实现。最终，他说，它甚至可以帮助优化其中一个最基本的过程。
“更大的希望是帮助科学发现的过程本身，”埃尔蒙说。“我们在问:我们能设计出这些方法来自动提出假设吗?”它们能帮助我们获取人类无法获取的知识吗?随着我们得到越来越好的算法，我们希望整个科学发现过程能够大大加快。”
额外的斯坦福大学的合作者包括诺曼·金Yang-Hung辽、迈克尔·h·陈,布莱恩畅,尼古拉斯·珀金斯紫阳,斯蒂芬·哈里斯和本片m .马尔可夫。其他合著者来自麻省理工学院和丰田研究所。
这项工作得到了斯坦福大学、丰田研究所、国家科学基金会、美国能源部和微软的支持。
要阅读关于斯坦福科学的所有故事，请订阅《斯坦福科学文摘》。
新闻旨在传播有益信息，英文原版地址：https://news.stanford.edu/2020/02/19/machine-learning-speed-arrival-ultra-fast-charging-electric-car/