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。
概述
It matters because better, safer, cheaper batteries are the bottleneck for electric vehicles, grids, and electronics.
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。
战略影响
构建选择
应用级设计决定了人工智能是否能改善实际结果。
团队与工作流程
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。
风险与安全
范围明确的用例可以减少变更疲劳和实施风险。
人工智能在电池设计和优化中的未来
预计自动驾驶实验室将在其中人工智能和机器人以最少的人力投入全天候进行实验，将发现周期从几年缩短到几周。经过数百万种材料训练的基础模型应该推广到钠和固态设计等锂替代品，从而缓解稀有金属的供应链压力。电动汽车和电网中的设备内置人工智能将越来越多地在故障发生之前进行预测，从而在不牺牲安全性的情况下实现更快的充电和更长的电池组使用寿命。
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。
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。
在完全自动化之前定义人工检查点。
对用户进行提示、升级路径和质量标准方面的培训。
跟踪任务级结果以确认持续价值。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Battery Design and Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is AI in Battery Design and Optimization?
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。
2023 年 Microsoft 和 PNNL 电池材料项目有哪些值得注意的地方？
人工智能将大约 3200 万候选者缩小到少数，从而产生了一种固态电解质，可以替代大部分锂。
为什么没有人工智能的传统电池发展如此缓慢？
可能材料的组合空间非常大，验证单一配方可能需要数年的实验室工作。
图神经网络将晶体或分子视为什么？
GNN 将原子建模为节点，将键建模为边缘，学习直接从该结构图预测材料属性。
贝叶斯优化在电池研究中的作用是什么？
贝叶斯优化构建搜索空间的概率模型，并选择每个下一个实验来平衡探索和利用，从而减少总测试。
电池管理系统使用人工智能来估计什么？
AI 驱动的 BMS 软件可估计充电水平和运行状况，并标记危险热失控的早期迹象。