概述
人工智能加速了新电池材料的发现和现有电池的管理，将数十年的化学试错时间压缩为几个月。这很重要，因为更好、更安全、更便宜的电池是电动汽车、电网和电子产品的瓶颈。
电池设计和优化中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。
深入探讨
电池的开发极其缓慢：单一电解质配方可能需要数年时间才能测试，而且可能的化学物质空间巨大。人工智能从两个层面对此进行攻击。在材料发现中，根据量子化学和实验数据训练的机器学习模型可以在合成之前预测哪些元素组合会产生高导电性、稳定性和能量密度。 2023 年，Microsoft 和西北太平洋国家实验室筛选了超过 3200 万名候选者，以找到锂用量少得多的固态电解质。在设备层面，人工智能为电池管理系统提供动力，可估计充电状态和健康状态、预测剩余寿命并检测热失控的早期迹象。闭环机器人实验室增加了自动化实验，其中人工智能提出下一个实验，然后机器人运行它。
技术洞察
有两种技术占主导地位。图神经网络将晶体或分子视为原子和键的图，学习仅根据结构预测离子电导率等特性。然后贝叶斯优化指导实验：它构建化学与性能景观的概率替代物，并选择每个下一个测试以最大化预期信息增益，平衡对未知配方的探索与对有前途配方的利用，到目前为止需要更少的物理实验。
掌握电池设计和优化中的人工智能
人工智能加速了新电池材料的发现和现有电池的管理，将数十年的化学试错时间压缩为几个月。这很重要，因为更好、更安全、更便宜的电池是电动汽车、电网和电子产品的瓶颈。电池设计和优化中的人工智能侧重于实际部署：将模型功能转化为可靠的日常工作流程，提供可衡量的价值。为了建立深入的理解，请将电池设计和优化中的人工智能视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，在电池设计和优化中使用人工智能的强大团队专注于工作流程结果，而不是模型演示，并尽早定义人工检查点。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
应用级设计决定了人工智能是否能改善实际结果。与此同时，将损坏的流程自动化可能会加剧现有的问题。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
应用级设计决定了人工智能是否能改善实际结果。
应用级设计决定了人工智能是否能改善实际结果。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
良好的工作流程集成可以创造用户值得信赖的生产力收益。
良好的工作流程集成可以创造用户值得信赖的生产力收益。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
范围明确的用例可以减少变更疲劳和实施风险。
范围明确的用例可以减少变更疲劳和实施风险。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
Microsoft 和 PNNL 使用 AI 筛选了 3200 万种候选材料，并确定了一种新的固态电解质，可以用钠替代大部分锂。
特斯拉和其他电动汽车制造商使用机器学习电池管理软件来估计续航里程并检测有热失控风险的电池。
丰田及其合作伙伴应用机器学习模型来加速固态电池电解质的开发，以实现更高的能量密度。
Aionics 和 Citrine Informatics 等初创公司使用人工智能来推荐电解质配方，从而减少所需的物理实验数量。
实施模式
人工智能在电池设计和优化实践中的应用
Microsoft 和 PNNL 使用 AI 筛选了 3200 万种候选材料，并确定了一种新的固态电解质，可以用钠替代大部分锂。
Microsoft 和 PNNL 使用 AI 筛选了 3200 万种候选材料，并确定了一种新的固态电解质，可以用钠取代大部分锂。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
人工智能在电池设计和优化实践中的应用
特斯拉和其他电动汽车制造商使用机器学习电池管理软件来估计续航里程并检测有热失控风险的电池。
特斯拉和其他电动汽车制造商使用机器学习电池管理软件来估计续航里程并检测有热失控风险的电池。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
人工智能在电池设计和优化实践中的应用
丰田及其合作伙伴应用机器学习模型来加速固态电池电解质的开发，以实现更高的能量密度。
丰田和合作伙伴应用机器学习模型来加速固态电池电解质的开发，以实现更高的能量密度。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
人工智能在电池设计和优化实践中的应用
Aionics 和 Citrine Informatics 等初创公司使用人工智能来推荐电解质配方，从而减少所需的物理实验数量。
Aionics 和 Citrine Informatics 等初创公司使用人工智能来推荐电解质配方，减少所需的物理实验数量。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
将损坏的流程自动化可能会加剧现有问题。
团队可能会过度自动化并消除所需的人工判断。
如果不持续评估输出，质量可能会出现偏差。
实施路线图
绘制当前工作流程并确定摩擦最大的步骤。
绘制当前工作流程并确定摩擦最大的步骤。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在完全自动化之前定义人工检查点。
在完全自动化之前定义人工检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
对用户进行提示、升级路径和质量标准方面的培训。
对用户进行提示、升级路径和质量标准方面的培训。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪任务级结果以确认持续价值。
跟踪任务级结果以确认持续价值。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。