机器学习大幅降低锂离子电池开发成本与时间

科学家开发出一种机器学习方法，可以大幅削减现代世界日益依赖的新型锂离子电池开发所需的成本和能源消耗。

预测新电池设计的使用寿命及其工程应用是行业的主要瓶颈。通过反复充放电直至接近报废阈值来对原型进行强力测试可能需要数月甚至数年时间，消耗大量电力，成本巨大。

一项研究估计，如果开发流程不做任何改变，从2023年到2040年，当前和未来的锂电池设计可能需要消耗130,000吉瓦时的能源。这大约相当于加州年发电量的一半(278,338吉瓦时)。

本周发表在《自然》科学杂志上的研究描述了一种用于电池开发的新机器学习方法，作者声称与传统方法相比，该方法可节省98%的时间和95%的成本。

康涅狄格大学副教授胡超在配套文章中表示，这显示了"解决电池开发关键瓶颈的巨大潜力"。

密歇根大学博士后研究员张佳伟及其团队开发的这一流程结合了迭代元素，以减少做出准确预测所需的数据量。

这个被称为"发现学习"的框架建立在2019年一项研究的基础上，该研究表明利用原型电池测试早期数据的机器学习模型可以用来预测电池寿命，在测试集上的平均误差小于15%，被认为是高度准确的。

张佳伟及其同事将早期方法分解为三个不同的组成部分。学习器模块选择可能提供有用数据以提高预测精度的新设计原型。在对这些原型进行早期测试后，解释器模块使用物理属性模型来分析这些数据以及现有电池的历史全寿命数据。最后，预言器模块使用该输出来预测新测试原型的寿命。关键是，这些信息随后被反馈到学习器模块中，用于选择下一组要进行物理测试的原型。

胡超说："发现学习模型的一个关键创新是它使用预言器预测的寿命来更新自身，而不是使用实验测量的寿命，避免了耗时的全寿命电池测试的需要。"

然而，他指出，当新电池设计与用于提供训练数据的现有电池有很大差异时，发现学习框架的表现如何仍不清楚。

"更广泛地说，在该框架能够被普遍采用之前，还需要进一步验证，以了解它在实际条件下使用的电池(例如在变温和不同电负荷下)中的表现如何，"胡超说。

尽管如此，考虑到目前全球电动汽车、笔记本电脑和其他各种应用的电池价值达1200亿美元，预计到2030年将增长到近5000亿美元，即使在开发成本上的微小节省也能产生影响。

Q&A

Q1：发现学习框架是什么？它如何工作？

A：发现学习框架是由密歇根大学研究团队开发的机器学习方法，分为三个模块：学习器模块选择有用的新设计原型，解释器模块分析测试数据和历史数据，预言器模块预测电池寿命。关键是信息会反馈到学习器模块选择下一组测试原型。

Q2：这种方法能节省多少开发成本和时间？

A：根据研究作者声称，与传统方法相比，发现学习框架可以节省98%的时间和95%的成本。传统的电池测试需要数月甚至数年时间，消耗大量电力，而这种方法通过机器学习预测大大减少了物理测试需求。

Q3：发现学习框架目前还有什么局限性？

A：主要局限性包括：当新电池设计与训练数据中的电池差异很大时，框架表现如何尚不清楚；还需要进一步验证在实际条件下(如变温和不同电负荷)的表现；需要更多验证才能普遍采用。