机器学习助力电动汽车电池研发，两年充电测试可缩短至16天

文 | 学术头条 从行驶里程，到充电时间，再到汽车使用寿命，电池的性能深刻影响着一辆电动汽车的体验。 而数十年来，电动汽车电池的发展一直受到电池研发测试这一主要瓶颈的限制。在电池开发过程中的每个阶段，都必须对新技术进行数月甚至数年的测试，以确定电池能够持续使用多长时间。 最典型的例子，就是对锂离子电池的材料选择、电池制造和工作运行等过程进行控制优化。通常人们需要对锂离子电池的寿命进行评估，但是这样的实验往往会花费数月乃至数年的时间，而且参数的调整、空间和样品的多样性更使得实验进一步延长。 现在由斯坦福大学教授、麻省理工学院和丰田研究院合作开发了一种基于机器学习的方法，能够将电池充电测试时间从近两年缩短至 16 天，缩短了近 15 倍，有助于加速新型电池的开发进度。 该研究于 2020 年 2 月 19 日发表在《自然》杂志上。 设计超快速充电电池是一个重大挑战，主要是因为很难使它们持续使用。更快的充电强度会使电池承受更大的压力，这通常会导致电池过早失效。 为了防止构成电动汽车总成本很大一部分的电池组的轻易损坏，电池工程师必须测试一系列详尽的充电方式，以找到最有效的充电方法。 新的研究试图优化这一过程。从一开始，团队就发现快速充电优化需要进行多次试错测试，这对人类来说效率不高，但对机器而言却是可以完美解决的问题。 在这项研究中，该团队开发了具有早期结果预测功能的闭环优化（CLO）系统。该系统具有早期的结果预测功能，可以在大参数空间上进行高效的优化，同时具有高采样可变性。 这种方法能够快速优化特定的包含六步过程的电流和电压曲线，以及能够使得电池寿命最大化的十分钟快充协议，这种快充技术能够缓解电动汽车用户的里程焦虑。 研究团队从左至右包括斯坦福大学教授 William Chueh，丰田汽车研究所科学家 Muratahan Aykol，斯坦福大学博士生 Aditya Grover、Peter Attia，斯坦福大学教授 Stefano Ermon 和 TRI 科学家 Patrick Herring。（图片来源：Farrin Abbott） 首先，他们使用算法来减少每个循环实验的时间。 在先前的研究中，研究人员发现，不用通过每个电池进行反复充电直至其报废（这是测试电池寿命的通常方法），他们可以仅在最初 100 个充电周期后预测出电池可以使用多长时间。这是因为机器学习系统在接受过几次循环的电池充电训练后，可以在早期数据中找到预示电池可持续使用时间的规律。 其次，机器学习减少了他们必须测试的方法的数量。 计算机不是均等地或依靠直觉来测试每种可能的充电方法，而是从其经验中吸取教训，以快速找到要测试的最佳协议。 通过使用这种 CLO 优化方法，研究人员能够在 16 天内将 224 个待测电池中具有长寿命快充能力的电池筛选出来，并最终验证了该方法的有效性，值得一提的是，原有 224 电池测试大约需要 560 天。 该闭环优化系统的工作原理如图所示。 如图所示，该系统包括三个组件：多通道电池循环器，循环寿命的早期预测器和 BO 算法。在每个顺序轮次中，我们都要遍历这三个组成部分。 第一个组件是多通道电池循环器；这项工作中使用的循环仪可同时测试 48 个电池。在开始 CLO 之前，从完整的 224 个独特的多步骤协议集中随机选择（不替换）第一轮 48 个电池的充电协议（方法）。每个电池进行 100 次循环重复充电（约 4 天；平均预测循环寿命 905 个循环），超过该时间终止实验。 前 100 个充电周期的循环数据（特别是电化学测量值，例如电压和电容）用作循环寿命早期结果预测的输入。这些来自机器学习模型的循环寿命预测，随后被发送到 BO 算法，来测试下一个具有较高估计寿命的协议，重复此过程，直到测试结束。 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。 研究人员在提到该算法时表示，他们的方法几乎可以加速电池开发的每个环节：从设计电池的化学性质到确定其尺寸和形状，再到寻找更好的制造和存储系统。 这不仅对电动汽车，而且对其他类型的储能方式都将产生广泛的影响，这是在全球范围内转向风能和太阳能的关键要求。 该研究的合著者、丰田研究院的科学家 Patrick Herring 表示：「这是进行电池开发的一种新方法。拥有可以在学术界和工业界之间共享并自动分析的数据，可以加快创新速度。」 Herring 补充说，这项研究的机器学习和数据收集系统，将可供未来的电池科学家自由使用。他说，通过机器学习来优化过程的其他部分，电池开发以及更新更好的技术的出现将加速一个数量级甚至更多个数量级。 研究人员也认为，这项研究方法的潜力甚至超出了电池领域。从药物开发到优化 X 射线和激光的性能等其他大数据测试问题，都可以通过使用机器学习优化来彻底解决。 斯坦福大学教授 Stefano Ermon 表示：「更大的希望是帮助科学发现本身。我们在问：我们可以设计这些方法来自动提出假设吗？它们可以帮助我们提取人类无法理解的知识吗？随着我们的算法越来越好，我们希望整个科学发现过程可以大大加快。」 参考资料： 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/