想象一下，一个通灵者告诉你的父母，在你出生的那天，你会活多久。电池化学家们也可能有类似的经验，他们使用新的计算模型来计算电池寿命，只需一个周期的实验数据。
在一项新的研究中，美国能源部阿贡国家实验室的研究人员利用机器学习的力量来预测各种不同电池化学成分的寿命。通过使用在阿贡从代表六种不同电池化学成分的一组300个电池中收集的实验数据，科学家们可以准确地确定不同电池的循环时间。
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进行决策。
阿贡计算科学家诺亚·保尔森（NoahPaulson）是这项研究的作者，他说：“对于从手机到电动汽车再到电网存储的各种不同类型的电池应用，电池寿命对每个消费者都至关重要。”。“电池必须循环数千次，直到出现故障可能需要数年的时间；我们的方法创建了一种计算测试厨房，我们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是实际循环电池，”该研究的另一位作者、阿贡电化学家苏珊·巴比内克（Susan“Sue”Babinec）补充道。“它非常昂贵，而且需要很长时间。”
鲍尔森表示，确定电池寿命的过程可能很棘手。他说：“事实是，电池不会永远使用，它们的使用时间取决于我们使用它们的方式，以及它们的设计和化学性质。”。“到目前为止，还没有一种很好的方法可以知道电池的寿命。人们会想知道他们还有多长时间才能花钱购买新电池。”
这项研究的一个独特之处在于，它依赖于阿贡在各种电池正极材料上所做的大量实验工作，尤其是阿贡获得专利的镍锰钴（NMC）基阴极。保尔森说：“我们有代表不同化学成分的电池，它们有不同的降解和失效方式。”。“这项研究的价值在于，它为我们提供了不同电池性能的特征信号。”
保尔森说，这方面的进一步研究有可能指导锂离子电池的未来。他说：“我们能够做的事情之一就是在已知化学的基础上训练算法，并让它对未知化学进行预测。”。“从本质上讲，该算法可能会帮助我们朝着新的和改进的化学方向发展，从而提供更长的寿命。”
保尔森认为，通过这种方式，机器学习算法可以加速电池材料的开发和测试。“假设您有一种新材料，并将其循环使用几次。您可以使用我们的算法预测其寿命，然后决定是否要继续进行实验循环。”
巴比内克补充道：“如果你是实验室的研究人员，你可以在更短的时间内发现和测试更多的材料，因为你有更快的方法来评估它们。”。
2月25日，《电源杂志》在线版发表了一篇基于这项研究的论文《机器学习的特征工程能够早期预测电池寿命》。