電池性能可以決定電動汽車的使用體驗，從行駛里程到充電時間再到汽車的使用壽命。現在，人工智能已經使像在加油站給電動汽車充電這樣的夢想更加有可能成為現實，并可能有助于改善電池技術的其他方面。

幾十年來，電動汽車電池的發展一直受到一個重要瓶頸的限制:評估時間。在電池開發過程的每個階段，新技術都必須經過數月甚至數年的測試，才能確定它們的壽命。但是現在，由斯坦福大學教授斯特凡諾埃爾蒙和威廉覺領導的一個團隊開發了一種基于機器學習的方法，可以將這些測試時間減少98%。研究小組測試了他們的電池充電速度的方法，他們說，該方法可以應用于電池開發管道的許多其他部分，甚至非能源技術。

“在電池測試中，你必須嘗試大量的東西，因為你得到的性能會有很大的不同，”計算機科學助理教授埃爾蒙說。“有了人工智能，我們能夠迅速找出最有前途的方法，并省去許多不必要的實驗。”

這項研究發表在二月十九日的《自然》雜志上，是斯坦福大學、麻省理工學院和豐田研究院科學家之間更大規模合作的一部分。他們的目標是:找到在10分鐘內為電動汽車電池充電的最佳方法，使電池的整體壽命最大化。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什么收費方式。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到16天。

彼得阿提亞是這項研究的聯合負責人，當時他還是一名研究生。然而，真正令人興奮的是這種方法。我們可以把這種方法應用到其他許多問題上，而這些問題目前正阻礙電池的發展達數月或數年之久。”

更智能的電池測試方法

設計超高速充電電池是一個重要的挑戰，重要是因為它很難持久。快速充電的強度會給電池帶來更大的壓力，這通常會導致電池過早失效。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，電池工程師必須測試一系列詳盡的充電方法，以找到最有效的充電方法。

新的研究試圖優化這一過程。在一開始，團隊就發現快速充電的優化意味著要進行很多的反復試驗——這對人類來說是低效的，但對機器來說是毫無問題的。

“機器學習是一種反復嘗試的過程，但它們更聰明，”參與領導這項研究的計算機科學研究生阿蒂亞格羅弗說。“在何時探索——嘗試新的和不同的方法——以及何時開發(或瞄準)最有前途的方法方面，計算機比我們做得好得多。”

該團隊在兩個關鍵方面采用了機器學習。首先，他們用機器學習來減少每次循環實驗的時間。在之前的一項研究中，研究人員發現，他們可以預測電池在第一次充電100次后的續航時間。這是因為機器學習系統在接受了幾次電池循環失靈的訓練后，可以從早期數據中發現預測電池壽命的模式。

第二，機器學習減少了他們必須測試的方法的數量。計算機從以往的相關經驗中吸取教訓，迅速找到最佳的協議進行測試，而不是對每一種可能的充電方法都進行同等的測試，或者依靠直覺。

通過在更少的周期內測試更少的方法，研究團隊很快找到了一種最優的超高速充電方法。埃爾蒙說，除了顯著加快測試過程之外，這臺計算機的解決方法也比電池科學家可能設計出的方法更好，而且更不尋常。

埃爾蒙說:“它給我們帶來了一種意想不到的簡單充電協議。”該算法的解決方法不是在充電開始時以最高電流充電，而是在充電過程中使用最高電流。“這就是人與機器的差別:機器不受人類直覺的影響，雖然人類直覺是強大的，但有時會誤導人。”

更廣泛的應用

研究人員表示，他們的方法可以加速電池開發的幾乎每一個環節:從設計電池的化學成分，到確定電池的大小和形狀，再到尋找更好的制造和存儲系統。這不僅會對電動汽車出現廣泛影響，還會對其他類型的能源存儲出現廣泛影響，而這是全球范圍轉向風能和太陽能的關鍵要求。

“這是一種進行電池開發的新方法，”該研究的作者之一、豐田研究院的科學家帕特里克赫林說。“你可以與學術界和工業界的許多人共享數據，并自動分析這些數據，這將大大加快創新的速度。”

赫林補充說，這項研究的機器學習和數據收集系統以后將供電池科學家免費使用。他說，通過使用這個系統來優化機器學習過程的其他部分，電池的發展——以及更新更好的技術的到來——可能會加快一個數量級甚至更多。

埃爾蒙說，這項研究方法的潛力甚至超出了電池領域。其他大數據測試問題，從藥物開發到優化x射線和激光的性能，也可以通過使用機器學習優化技術來實現。最終，他說：”隨著我們得到越來越好的算法，我們希望整個科學發現過程能夠大大加快。”