想象一下，在你出生的那天，一位通灵者告诉你的父母你会活多久。电池化学家们也有类似的经历：他们利用新的计算模型，仅凭一个循环的实验数据就能计算出电池寿命。

美国能源部阿贡国家实验室的研究人员在一项新研究中，利用机器学习技术预测了多种不同电池化学体系的寿命。他们利用阿贡实验室收集的300个电池（涵盖六种不同的电池化学体系）的实验数据，精确地确定了不同电池的循环寿命。

阿贡国家实验室的研究人员利用机器学习模型预测了多种不同化学体系电池的循环寿命。（图片来自Shutterstock/Sealstep。）

在机器学习算法中，科学家训练计算机程序对初始数据集进行推断，然后利用从训练中学到的知识对另一组数据做出决策。

“对于各种电池应用，从手机到电动汽车再到电网储能，电池寿命对每一位消费者来说都至关重要，”该研究的作者、阿贡国家实验室计算科学家诺亚·保尔森表示。“电池需要经过数千次循环才能失效，这可能需要数年时间；我们的方法创建了一个计算测试平台，可以快速确定不同电池的性能。”

“目前，评估电池容量衰减的唯一方法就是对电池进行循环测试，”该研究的另一位作者、阿贡国家实验室电化学家苏珊·“苏”·巴比内克补充道，“这非常昂贵，而且耗时很长。”

保尔森表示，确定电池寿命并非易事。“事实上，电池并非永不耗尽，其寿命长短取决于我们的使用方式、电池的设计和化学成分，”他说道。“迄今为止，我们还没有真正有效的方法来预测电池的寿命。人们都想知道电池还能用多久，以及何时需要更换新电池。”

这项研究的一个独特之处在于，它依赖于阿贡国家实验室对多种电池正极材料，特别是阿贡国家实验室专利的镍锰钴（NMC）基正极材料所做的广泛实验工作。“我们测试了代表不同化学成分的电池，它们的衰减和失效方式也各不相同，”保尔森说。“这项研究的价值在于，它为我们提供了不同电池性能特征的信号。”

保尔森表示，该领域的进一步研究有望引领锂离子电池的未来发展。“我们能够做的其中一件事，就是利用已知的化学体系训练算法，并让它预测未知化学体系的性能，”他说道。“从本质上讲，该算法或许能够帮助我们找到新的、性能更优的化学体系，从而延长电池寿命。”

保尔森认为，机器学习算法可以通过这种方式加速电池材料的研发和测试。“假设你有一种新材料，并对其进行几次循环测试。你可以使用我们的算法来预测它的寿命，然后决定是否要继续进行实验性的循环测试。”

“如果你是一名实验室研究人员，你可以在更短的时间内发现和测试更多的材料，因为你有更快的评估方法，”巴比内克补充道。

一篇基于该研究的论文，“机器学习的特征工程实现了对电池寿命的早期预测”发表于2月25日《电源杂志》网络版。

除了保尔森和巴比内克之外，该论文的其他作者还包括阿贡国家实验室的约瑟夫·库巴尔、洛根·沃德、索拉布·萨克塞纳和卢文泉。

该研究由阿贡国家实验室定向研发 (LDRD) 拨款资助。