综述人工智能驱动的电池研究的现状，直到最近，这一研究还受到数据缺乏的阻碍，但现在正准备加快步伐

在斯坦福大学普雷库特能源研究所(Stanford University‘s Precourt Institute for Energy)的一个实验室里，有六个冰箱大小的橱柜，旨在尽可能快地耗尽电池。每个都可以容纳大约100个锂离子电池，固定在托盘中，每天可以对电池进行数十次充放电。通常情况下，进入这些电化学刑讯室的电池会在小玩意儿或电动汽车中找到，但当它们被放入这些笨重的机器中时，它们根本不能为任何东西提供动力。取而代之的是，能量以尽可能快的速度进出这些电池，以产生大量的性能数据，这些数据将教会人工智能如何制造更好的电池。

2019年，来自斯坦福大学(Stanford)、麻省理工学院(MIT)和丰田研究所(Toyota Research Institute)的一组研究人员使用人工智能对这些机器产生的数据进行训练，在锂离子电池的性能开始下滑之前，预测其在电池寿命内的性能。通常，人工智能需要电池开始退化后的数据，才能预测它未来的表现。可能需要几个月的时间才能将电池循环足够多的次数来获得这些数据。但研究人员的人工智能只需几个小时的数据收集就可以预测寿命性能，而电池仍处于巅峰状态。斯坦福大学(Stanford)材料科学家、2019年这篇论文的主要作者之一威廉·觉(William Chueh)表示：“在我们的工作之前，没有人认为这是可能的。”今年早些时候，觉和他的同事们再次做到了这一点。在2月份发表在“自然”杂志上的一篇论文中，觉觉和他的同事们描述了一个实验，在这个实验中，人工智能能够发现给锂离子电池快速充电10分钟的最佳方法。

许多专家认为，快速充电电池将对电动汽车的采用至关重要，但倾倒足够的能量来为电池充电所需的时间与加满一箱汽油所需的时间相同，可能会迅速降低电池的性能。要让快速充电的电池走出实验室，进入现实世界，意味着要在充电速度和电池寿命之间找到甜蜜点。问题是，实际上有无数种方法可以给电池充电；徐将其比作寻找往桶里倒水的最佳方式。实验性地筛选所有这些可能性以找到最好的一个是一项缓慢而艰巨的任务-但这就是人工智能可以提供帮助的地方。

在他们的研究中，觉和他的同事们设法在不到一个月的时间里优化了锂离子电池的快速充电协议；在没有人工智能的帮助下实现同样的结果通常需要大约两年的时间。“归根结底，我们认为我们的工作是加快电池研发的步伐，”觉说。“无论是发现新的化学物质，还是找到制造更安全电池的方法，都是非常耗时的。我们在努力节省时间。“。

在过去十年左右的时间里，电池的性能飞涨，而成本却直线下降。鉴于许多专家将一切电气化视为我们能源系统脱碳的关键，这是个好消息。但对于像觉觉这样的研究人员来说，电池创新的步伐还不够快。原因很简单：电池极其复杂。制造更好的电池意味着在生产过程中的每一步都要进行无情的优化。这一切都是关于使用更便宜的原材料，更好的化学物质，更高效的制造技术。但是有很多参数可以优化。通常情况下，一个领域的改善-比如能源密度-将以在另一个领域获得收益为代价，比如费率。

在巨大的搜索空间中寻找最优解正是人工智能要解决的问题类型。但直到最近，由于缺乏数据，电池制造人工智能一直受到阻碍。斯坦福大学从事电池分析的数据科学家布鲁斯·范·弗利曼(Bruis Van Vlijmen)表示：“从历史上看，电池数据一直很难获得，因为研究人员和公司之间不共享这些数据。”“这是高度保密的，或者说是专有信息。”在他们2019年的论文之后，觉觉和他的同事们公开了他们所有的电池数据，这样其他研究人员就可以用这些数据来训练他们自己的人工智能算法。当时，这是有史以来公布的最大规模的电池性能数据收集。

对于阿贡国家实验室数据科学和学习部主任伊恩·福斯特(Ian Foster)来说，缺乏高质量的数据是一个熟悉的问题。在过去的几年里，福斯特和他在实验室的同事们一直在建立一个分子数据库，这些分子可以通过机器学习算法进行搜索，以寻找可能提高电池电解质(位于电极之间的物质)性能的化学物质。就像电池中的其他元素一样，电解液的化学成分可以进行调整，以提高能量密度等理想特性，或减少其毒性等不良特性。“从历史上看，身份认同

福斯特说，阿贡的电解质猎取算法现在还为时过早。它还没有鉴定出任何新材料，但是当它鉴定出来的时候，下一步将是用这种电解质材料创造一个物理电池来进行实验。然后，这些实验的数据可以用来进一步改进算法，帮助它将搜索范围缩小到更好的候选者。福斯特说：“从大量可能的电解液到实际应用于数百万辆汽车的电解液的过程是一个漫长的过程。”“机器学习的目标是加速实验过程.”

与此同时，福斯特的团队正在与十几个研究机构和公司的电池科学家合作，以促进跨组织的统计数据共享。该小组希望使用芝加哥大学(University Of Chicago)开发的名为Data Station的平台，该平台允许研究人员在不同小组贡献的信息池中训练机器学习模型，而永远不会让外人直接访问他们的数据。机器学习模型被上传到平台，对数据进行训练，然后返回给研究人员。这些科学家不知道这些数据的细节，但他们可以断定，接触这些数据是否提高了模型预测电池的能力。福斯特和他的合作者希望这将缓解人们对专有数据被竞争对手抢走的担忧，同时仍然允许创建海量数据集。

但即使没有庞大的共享数据库，人工智能在电池开发中的使用也已经在升温。正如今年夏天发表在“能源研究前沿”(Frontiers In Energy Research)上的一篇论文中详细描述的那样，就在过去的一年里，人工智能在电池研究中的应用数量惊人。在材料方面，它被用来研究可以稳定锂金属阳极的分子，这种阳极可以大幅提高能量密度，但目前存在许多安全问题。机器学习还被用来发现潜在的阴极涂层，以提高具有固体电解质的电池的性能，固体电解质比当今电池中的液体电解质更安全。人工智能还被用来通过优化电池管理系统和创建精确的电池数学模型来模拟它们在电动汽车中的性能，从而提高研究人员对现有电池的理解。一位人工智能甚至写了一本书，总结了目前锂离子电池的研究。

剑桥大学(University Of Cambridge)统计物理学家阿尔法·李(Alpha Lee)表示：“现有电池材料中有很多尚未开发的潜力，我们可以通过使用更好的软件对电池进行‘编程’来利用这些潜力。”他最近的研究利用机器学习来寻找新的电池健康预测因素。电池软件的创新将受益于我们在数字革命中看到的可伸缩性程度，并开启储能技术的新纪元。“。

下一步是将这些机器学习方法从实验室中拿出来，并用它们来制造电池，为我们的小玩意儿和汽车提供动力。InoBat是一家总部位于斯洛伐克的公司，成立于2018年，它可能是领头羊。该公司正在使用加州Wildcat Discovery Technologies开发的人工智能研究平台来快速制作新的电池化学原型，以制造电动汽车的定制电池。根据InoBat首席执行官玛丽安·博切克(Marian Bocek)的说法，人工智能平台允许对新的锂离子化学进行全面探索，这有可能大幅加快发现过程。换句话说，人工智能可以在几个不同的变量同时被修改时，模拟电池的性能，而不是一次调整一个电池组件，然后详尽地测试每一次迭代。

“与传统实验室相比，发现新的细胞化学的道路要快10倍，”Bocek说，他将InoBat的人工智能推动的研究比作制药行业使用自动药物发现。“我们正在摆脱主导电动汽车行业的‘一刀切’模式。”

上周，InoBat发布了其首个与AI合作设计的“智能电池”。在声明中，Bocek声称电池可以将一款同类中最好的电动汽车的续航里程提高近20%。但别指望在短期内能在普通电动汽车的电池组中找到它。与松下(Panasonic)或三星(Samsung)等锂离子电池的主要生产商不同，InoBat更多的是一种电池精品。该公司专注于高性能电动汽车或电动飞机等专业车辆，并可以进行小批量生产，以开发满足客户特定需求的电池。“我们是市场上唯一有能力在电池格式和能量密度方面开发定制解决方案的公司，”博切克说。

Bocek表示，该公司的第一家试点工厂将在明年年底开始生产电池。最初，工厂

对于一个变暖的世界来说，释放人工智能在电池开发上的作用是个好消息。电池储存是增加电网上可再生能源数量的关键因素，当谈到我们的能源供应脱碳时，时间至关重要。经过几十年的缓慢进展，人工智能驱动的电池研究有望最终加快步伐。“这一切都与脱碳有关，”觉说。“我们想尽快赶到那里，因为我们剩下的时间不多了。”

🏃🏽‍♀️想要最好的健康工具吗？看看我们Gear团队挑选的最好的健身跟踪器、跑步装备(包括鞋子和袜子)和最好的耳机