Batteriets prestanda kan göra eller bryta elbilens upplevelse, från driving range till laddningstid till bilens livstid. Nu, artificiell intelligens har gjort drömmar som att ladda en elbil under den tid det tar att stanna vid en bensinstation till en mer sannolik verklighet, och kan hjälpa till att förbättra andra aspekter av batteriteknik.

I årtionden, framstegen inom elbatterier har begränsats av en stor flaskhals:utvärderingstider. I varje skede av batteriutvecklingsprocessen, ny teknik måste testas i månader eller till och med år för att avgöra hur länge de kommer att hålla. Men nu, ett team ledd av Stanford-professorerna Stefano Ermon och William Chueh har utvecklat en maskininlärningsbaserad metod som minskar dessa testtider med 98 procent. Även om gruppen testade sin metod på batteriladdningshastighet, de sa att det kan tillämpas på många andra delar av batteriutvecklingspipelinen och till och med på icke-energiteknologier.

"Vid batteritestning, du måste prova ett stort antal saker, eftersom prestandan du får kommer att variera drastiskt, sa Ermon, en biträdande professor i datavetenskap. "Med AI, vi kan snabbt identifiera de mest lovande tillvägagångssätten och skära bort många onödiga experiment."

Studien, publicerad av Natur den 19 februari, var en del av ett större samarbete mellan forskare från Stanford, MIT och Toyota Research Institute som överbryggar grundläggande akademisk forskning och verkliga industritillämpningar. Målet:att hitta den bästa metoden för att ladda ett elbilsbatteri på 10 minuter som maximerar batteriets totala livslängd. Forskarna skrev ett program som, baserat på endast ett fåtal laddningscykler, förutspådde hur batterier skulle reagera på olika laddningsmetoder. Programvaran bestämde också i realtid vilka laddningsmetoder som skulle fokuseras på eller ignoreras. Genom att minska både längden och antalet försök, forskarna minskade testprocessen från nästan två år till 16 dagar.

"Vi kom på hur vi kan påskynda testprocessen för extrem snabbladdning, "sa Peter Attia, som var med och ledde studien medan han var doktorand. "Vad är riktigt spännande, fastän, är metoden. Vi kan tillämpa detta tillvägagångssätt på många andra problem som, just nu, håller tillbaka batteriutvecklingen i månader eller år."

Ett smartare sätt att testa batterier

Att designa ultrasnabbladdningsbatterier är en stor utmaning, främst för att det är svårt att få dem att hålla. Intensiteten hos den snabbare laddningen belastar batteriet mer, vilket ofta gör att det misslyckas tidigt. För att förhindra denna skada på batteripaketet, en komponent som står för en stor del av en elbils totala kostnad, batteriingenjörer måste testa en uttömmande serie laddningsmetoder för att hitta de som fungerar bäst.

Den nya forskningen försökte optimera denna process. Till en början, teamet såg att snabbladdningsoptimering uppgick till många trial-and-error-tester – något som är ineffektivt för människor, men det perfekta problemet för en maskin.

"Maskininlärning är trial-and-error, men på ett smartare sätt, " sa Aditya Grover, en doktorand i datavetenskap som var med och ledde studien. "Datorer är mycket bättre än vi på att ta reda på när de ska utforska – prova nya och annorlunda tillvägagångssätt – och när de ska utnyttja, eller noll in, på de mest lovande."

Laget använde denna kraft till sin fördel på två viktiga sätt. Först, de använde det för att minska tiden per cykelexperiment. I en tidigare studie, forskarna fann att istället för att ladda och ladda om varje batteri tills det misslyckades – det vanliga sättet att testa ett batteris livslängd – kunde de förutsäga hur länge ett batteri skulle hålla efter bara de första 100 laddningscyklerna. Detta beror på att maskininlärningssystemet, efter att ha tränat på några batterier cyklade till fel, kunde hitta mönster i de tidiga uppgifterna som förutsade hur länge ett batteri skulle hålla.

Andra, maskininlärning minskade antalet metoder de hade att testa. Istället för att testa alla möjliga laddningsmetoder lika, eller förlita sig på intuition, datorn lärde sig av sina erfarenheter för att snabbt hitta de bästa protokollen att testa.

Genom att testa färre metoder för färre cykler, studiens författare hittade snabbt ett optimalt ultrasnabbt laddningsprotokoll för sitt batteri. Förutom att dramatiskt påskynda testprocessen, Datorns lösning var också bättre – och mycket mer ovanlig – än vad en batteriforskare troligen skulle ha tänkt ut, sa Ermon.

"Det gav oss detta förvånansvärt enkla laddningsprotokoll - något vi inte förväntade oss, " sa Ermon. Istället för att ladda med den högsta strömmen i början av laddningen, algoritmens lösning använder den högsta strömmen i mitten av laddningen. "Det är skillnaden mellan en människa och en maskin:Maskinen är inte partisk av mänsklig intuition, som är kraftfullt men ibland missvisande."

Bredare applikationer

Forskarna sa att deras tillvägagångssätt skulle kunna påskynda nästan varje del av batteriutvecklingspipelinen:från att designa ett batteris kemi till att bestämma dess storlek och form, att hitta bättre system för tillverkning och lagring. Detta skulle ha breda konsekvenser inte bara för elfordon utan för andra typer av energilagring, ett nyckelkrav för att byta till vind- och solenergi i global skala.

"Det här är ett nytt sätt att utveckla batteri, sa Patrick Herring, medförfattare till studien och en forskare vid Toyota Research Institute. "Med data som du kan dela bland ett stort antal människor inom akademin och industrin, och det analyseras automatiskt, möjliggör mycket snabbare innovation. "

Studiens maskininlärning och datainsamlingssystem kommer att göras tillgängligt för framtida batteriforskare att fritt använda, Sill tillsatt. Genom att använda detta system för att optimera andra delar av processen med maskininlärning, batteriutveckling – och ankomsten av nyare, bättre teknik – skulle kunna accelerera med en storleksordning eller mer, han sa.

Potentialen i studiens metod sträcker sig även utanför batterivärlden, sa Ermon. Andra problem med testning av stora data, från läkemedelsutveckling till att optimera prestandan för röntgenstrålar och laser, kan också revolutioneras genom användning av maskininlärningsoptimering. Och slutligen, han sa, det kan till och med hjälpa till att optimera en av de mest grundläggande processerna av alla.

"Det större hoppet är att hjälpa själva processen för vetenskaplig upptäckt, " Sa Ermon. "Vi frågar:Kan vi designa dessa metoder för att komma med hypoteser automatiskt? Kan de hjälpa oss att utvinna kunskap som människor inte kunde? Allt eftersom vi får bättre och bättre algoritmer, vi hoppas att hela den vetenskapliga upptäcktsprocessen kan påskyndas drastiskt."