编者按：

本文关于电池储能。鸣谢自主研制NTC芯片的特普生储能CCS集成温度采集母排，对本文的大力支持，感谢特普生海外技术翻译官林博女士！

关于作者：莎莉·沃德-福克斯顿，Sally Ward-Foxton 为 EETimes.com 和 EETimes Europe 杂志报道人工智能。过去 18 年里，莎莉一直在伦敦撰写有关电子行业的文章。她曾为《Electronic Design》、《ECN》、《Electronic Specifier: Design》、《Components in Electronics》以及许多其他新闻出版物撰写文章。她拥有剑桥大学电气与电子工程硕士学位。 

一种用于电动汽车（EV）的新型电池具有更长的使用寿命、更大的容量重量比和更快的充电速度，可能会彻底改变电动汽车行业。

但是，由于材料空间由数百万种候选材料组成，每种候选材料都具有不同的特性和失效机制，以及多种材料不同组合的潜力，因此设计空间绝对是巨大的。研究人员正在求助于人工智能来帮助识别新材料、了解材料特性并开发新电池。

材料数据库

加州大学圣地亚哥分校的一个团队使用名为 M3GNet 的人工智能来预测合成材料的特性，并将信息放入数据库 Matterverse.ai 中。该团队正在利用该数据库寻找更安全、能量密度更高的可充电锂离子（Li-ion）电池电极和电解质材料。

M3GNet 根据分子结构预测材料特性，类似于 Google DeepMind 的蛋白质折叠算法。M3GNet 在一个名为“材料项目”的现有材料的能量、力和应力的庞大数据库上进行了训练。这些数据用于预测新的原子组合中的能量和力。

该团队还使用包含数千种原型材料的无机晶体结构数据库（ICSD）作为起点。他们用原子替代不同的元素，创造出 3100 万种潜在的新材料，他们认为其中大约 180 万种足够稳定，可以在现实生活中制造。

研究人员在论文中表示，M3GNet 的前身要么适用于狭窄的化学物质，要么对于一般用途来说太不准确。M3GNet 还可用于预测锂电导率（锂离子在材料中扩散的速度），该特性控制着电池的充电速度。

失效机制

斯坦福大学的另一项研究正在使用人工智能来分析原子级显微镜图像，以找出锂离子电池电极随着时间的推移而磨损的机制。如果我们能够准确地弄清楚这些机制是如何工作的，我们就可以利用这些知识来制造寿命更长的电池。

艺术家对人工智能和显微镜分析粒子的印象。（来源：斯坦福大学/Ella Maru Studio）

在充电周期期间，电极随着温度变化而膨胀和收缩。这会使材料承受压力，从而导致裂纹的形成。人工智能通过解释最新高分辨率 X 射线、电子和中子显微镜的显微镜图像，帮助可视化这一机制。

研究人员研究了磷酸锂离子（LFP）电动汽车电池的这一机制。LFP电池的能量密度比其他类型的电池略低，但由于避免了其他电池中与钴和镍相关的供应链问题，因此越来越受欢迎。

AI已用于预测LFP电极材料首次充电和放电时的弹性和变形特性。该技术还用于研究相同材料在亚稳态（在适当条件下或随着时间的推移可以变成另一种材料的部分稳定状态）时的特性。了解这些机制可能会导致开发新的软件来控制充电和放电周期，从而最大限度地减少导致裂纹的条件。结果将是电动汽车电池的使用寿命更长。

研究人员表示，这项技术可推广到其他材料材料组合

商用电动汽车电池使用多种不同的材料，将化学物质混合在专有的电解质配方中——通常是溶解在液体溶剂中的盐，但还含有多种其他秘密成分。这通常意味着至少有三个或四个不同的组件。

这些成分以不同浓度组合可以改变电解质的性能，因此保持正确的平衡至关重要。该配方需要在多个维度上进行优化，因为充电时间的最佳选择可能与使用寿命的最佳选择不同。

卡内基梅隆大学的一项研究将机器人平台与人工智能相结合，寻找电动汽车电池充电速率的最佳材料组合。该实验首次在非水锂离子电解质溶液中使用了闭环方法（无需人工）。

机器人将不同浓度的溶剂和添加剂的组合注入测试电池中，由人工智能实验规划者决定测试哪些组合。人工智能在一个设计空间中运行，该设计空间包含三种不同成分的 1,000 多种可能的组合。它从五个随机组合开始，然后从那里进行优化。两天后，它进行了 42 次实验，并确定了六种有前途的电解质配方。最好的充电时间比基准缩短了 13%。

研究人员表示，机器人技术与人工智能相结合，工作速度比人类快 6 倍，并且使用了三分之一的化学用品。未来的版本不仅会优化充电时间，还会优化其他变量。