机器学习革新锂离子电池开发，预示更快、更便宜的创新

全球 - 艾赫巴里通讯社

机器学习革新锂离子电池开发，预示更快、更便宜的创新

随着一项开创性机器学习方法的揭示，全球在能源存储解决方案方面的竞争获得了显著推动，该方法有望大幅加速先进锂离子电池的开发。由一个科学家团队开发的这种创新方法，有望削减传统上与新电池技术推向市场相关的巨额成本和大量能源消耗，这对于一个日益依赖便携式电源和电动汽车的世界来说，是一项关键的进步。

电池行业的一个主要障碍长期以来是预测新电池设计寿命及其在各种工程应用中适用性的耗时且资源密集型过程。传统的测试协议涉及“暴力”方法，即原型被反复充电和放电，直到它们接近其寿命终止阈值。这个艰巨的过程可能持续数月甚至数年，消耗大量电力并产生巨额财务支出。行业估计强调了这一挑战：一项研究预测，如果开发过程不发生根本性变化，当前和未来的锂电池设计可能在2023年至2040年间需要惊人的13万吉瓦时（GWh）的能量。从这个角度来看，这个数字约占整个加利福尼亚州每年发电量（278,338 GWh）的一半，突显了现有范式的不可持续性。

在预示范式转变的发展中，最近发表在著名科学期刊《自然》上的一项研究介绍了一种用于电池开发的新型机器学习框架。其作者声称，这种新方法可以带来惊人的效率，与传统方法相比，可能节省98%的时间和95%的成本。这代表着一个巨大的飞跃，为快速迭代和改进电池设计提供了途径。

康涅狄格大学副教授胡超博士在随附文章中强调了这一突破的深远影响。他表示，该框架“在解决电池开发中的关键瓶颈方面显示出巨大潜力”。这项创新的核心在于“发现学习”框架，这是由密歇根大学博士后研究员张家伟及其敬业团队精心设计的一个过程。他们的方法巧妙地结合了迭代元素，以显著减少生成关于电池性能和寿命的准确预测所需的数据量。

在2019年一项基础性研究的基础上，该研究通过利用原型电池测试的早期数据，证明了机器学习模型在测试集上以不到15%的平均误差预测电池寿命的有效性，张家伟和他的同事们对这一概念进行了改进。他们将先前的 methodology 精心划分为三个独立但相互关联的模块：学习者（Learner）、解释器（Interpreter）和预言机（Oracle）。

学习者模块通过智能选择新电池设计的原型来启动该过程。其选择标准旨在识别最有可能提供有价值数据的设计，从而提高系统的整体预测准确性。在这些选定原型的早期测试之后，解释器模块开始运作。该模块采用基于物理特性的复杂模型，仔细分析新获取的数据，并将其与现有电池的历史全寿命数据相结合。这一分析阶段的顶点是预言机模块，该模块随后利用这些丰富输出预测最近测试原型的寿命。至关重要的是，预言机生成的智能——特别是其寿命预测——随后被反馈回学习者模块。这种迭代反馈循环是该框架效率的核心，指导下一批原型进行物理测试的选择，从而避免了在每个阶段进行详尽的、全寿命实验验证的需要。

胡教授强调了这种迭代自我修正的独创性，指出：“发现学习模型的一个关键新颖之处在于，它利用预言机预测的寿命而非实验测量的寿命来更新自身，从而避免了耗时的全寿命电池测试。”这种自我改进机制正是实现开发时间与成本大幅削减的原因。

然而，胡教授也提出了一个谨慎的观点，强调了需要进一步调查的领域。他指出，当新的电池设计与现有训练数据的特性存在显著偏差时，“发现学习”框架的性能表现如何，仍然是一个悬而未决的问题。此外，他建议，“在框架被广泛采用之前，需要进一步验证其在实际条件下的电池表现，例如，在可变温度和不同电负载下。”这些考虑因素对于确保“发现学习”框架在各种操作环境中的稳健性和广泛适用性至关重要。

尽管存在这些注意事项，这项研究的潜在影响是巨大的。全球电池市场目前估计价值1200亿美元，应用于电动汽车（EVs）、笔记本电脑和无数其他设备，预计到2030年将飙升至近5000亿美元。在这样一个快速扩张和竞争激烈的市场中，即使是开发成本和时间上的微小节省，也能转化为显著的竞争优势，并促进更快的创新，最终造福消费者，加速向更可持续技术的转型。

艾赫巴里通讯社