自然
2020
在耗时的实验中同时优化许多设计参数会在科学和工程学科中造成瓶颈。其中一个例子就是锂离子电池在材料选择、电池制造和操作过程中的过程和控制优化。一个典型的目标是最大限度地延长电池寿命;然而，即使是进行一次评估寿命的实验也可能需要几个月到几年的时间。此外，大的参数空间和高的采样可变性都需要大量的实验。因此，关键的挑战是减少所需实验的数量和持续时间。本研究开发并演示了一种机器学习方法，以有效优化指定6步10分钟快速充电协议的电流和电压分布的参数空间，以最大限度地延长电池循环寿命，从而缓解电动汽车用户的里程焦虑。我们结合了两个关键元素来降低优化成本:利用前几个循环的数据预测最终循环寿命以减少每次试验时间的早期预测模型和通过平衡探索和开发减少试验次数的贝叶斯优化算法，有效地探索充电协议的参数空间。利用该方法，我们在16天内(而没有早期预测的穷举搜索超过500天)快速识别了224个候选的高循环寿命充电协议，并验证了优化方法的准确性和效率。 Our closed-loop methodology automatically incorporates feedback from past experiments to inform future decisions and can be generalized to other applications in battery design and, more broadly, other scientific domains that involve time-intensive experiments and multi-dimensional design spaces.
