用于加强电动汽车电池开发的人工智能

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。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。