概述
人工智慧加速了新電池材料的發現和現有電池的管理，將數十年的化學試錯時間壓縮為幾個月。這很重要，因為更好、更安全、更便宜的電池是電動車、電網和電子產品的瓶頸。
電池設計和優化中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。
深入探討
電池的開發極其緩慢：單一電解質配方可能需要數年時間才能測試，而且可能的化學物質空間巨大。人工智慧從兩個層面對此進行攻擊。在材料發現中，根據量子化學和實驗數據訓練的機器學習模型可以在合成之前預測哪些元素組合會產生高導電性、穩定性和能量密度。 2023 年，Microsoft 和西北太平洋國家實驗室篩選了超過 3,200 萬名候選者，以找到鋰用量少得多的固態電解質。在設備層面，人工智慧為電池管理系統提供動力，可估計充電狀態和健康狀態、預測剩餘壽命並檢測熱失控的早期跡象。閉環機器人實驗室增加了自動化實驗，其中人工智慧提出下一個實驗，然後機器人運行它。
技術洞察
有兩種技術占主導地位。圖神經網路將晶體或分子視為原子和鍵的圖，學習僅根據結構預測離子電導率等特性。然後貝葉斯優化指導實驗：它構建化學與性能景觀的機率替代物，並選擇每個下一個測試以最大化預期資訊增益，平衡對未知配方的探索與對有前途配方的利用，到目前為止需要更少的物理實驗。
掌握電池設計與優化中的人工智慧
人工智慧加速了新電池材料的發現和現有電池的管理，將數十年的化學試錯時間壓縮為幾個月。這很重要，因為更好、更安全、更便宜的電池是電動車、電網和電子產品的瓶頸。電池設計和優化中的人工智慧專注於實際部署：將模型功能轉化為可靠的日常工作流程，提供可衡量的價值。為了建立深入的理解，請將電池設計和優化中的人工智慧視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，在電池設計和優化中使用人工智慧的強大團隊專注於工作流程結果，而不是模型演示，並儘早定義人工檢查點。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
應用級設計決定了人工智慧是否能改善實際結果。同時，將損壞的流程自動化可能會加劇現有的問題。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
應用級設計決定了人工智慧是否能改善實際結果。
應用級設計決定了人工智慧是否能改善實際結果。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。
良好的工作流程整合可以創造使用者值得信賴的生產力效益。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
範圍明確的用例可以減少變更疲勞和實施風險。
範圍明確的用例可以減少變更疲勞和實施風險。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
Microsoft 和 PNNL 使用 AI 篩選了 3200 萬種候選材料，並確定了一種新的固態電解質，可以用鈉取代大部分鋰。
特斯拉和其他電動車製造商使用機器學習電池管理軟體來估計續航里程並檢測有熱失控風險的電池。
豐田及其合作夥伴應用機器學習模型來加速固態電池電解質的開發，以實現更高的能量密度。
Aionics 和 Citrine Informatics 等新創公司使用人工智慧來推薦電解質配方，從而減少所需的物理實驗數量。
實施模式
人工智慧在電池設計和優化實踐中的應用
Microsoft 和 PNNL 使用 AI 篩選了 3200 萬種候選材料，並確定了一種新的固態電解質，可以用鈉取代大部分鋰。
Microsoft 和 PNNL 使用 AI 篩選了 3200 萬種候選材料，並確定了一種新的固態電解質，可以用鈉取代大部分鋰。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
人工智慧在電池設計和優化實踐中的應用
特斯拉和其他電動車製造商使用機器學習電池管理軟體來估計續航里程並檢測有熱失控風險的電池。
特斯拉和其他電動車製造商使用機器學習電池管理軟體來估計續航里程並檢測有熱失控風險的電池。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
人工智慧在電池設計和優化實踐中的應用
豐田及其合作夥伴應用機器學習模型來加速固態電池電解質的開發，以實現更高的能量密度。
豐田和合作夥伴應用機器學習模型來加速固態電池電解質的開發，以實現更高的能量密度。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
人工智慧在電池設計和優化實踐中的應用
Aionics 和 Citrine Informatics 等新創公司使用人工智慧來推薦電解質配方，從而減少所需的物理實驗數量。
Aionics 和 Citrine Informatics 等新創公司使用人工智慧來推薦電解質配方，減少所需的實體實驗數量。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
將損壞的流程自動化可能會加劇現有問題。
團隊可能會過度自動化並消除所需的人工判斷。
如果不持續評估輸出，品質可能會出現偏差。
實施路線圖
繪製目前工作流程並確定摩擦最大的步驟。
繪製目前工作流程並確定摩擦最大的步驟。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在完全自動化之前定義人工檢查點。
在完全自動化之前定義人工檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
對使用者進行提示、升級路徑和品質標準的訓練。
對使用者進行提示、升級路徑和品質標準的訓練。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤任務級結果以確認持續價值。
追蹤任務級結果以確認持續價值。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。