本研究由来自斯坦福大学材料科学与工程系的 Peter M. Attia，斯坦福大学计算机科学系的 Aditya Grover，麻省理工学院化学工程系的 Kristen A. Severson，丰田研究院的 Patrick K. Herring，以及斯坦福大学、麻省理工学院、劳伦斯伯克利国家实验室、SLAC国家加速器实验室等多机构的研究人员合作完成，通讯作者为 Richard D. Braatz、Stefano Ermon 和 William C. Chueh。该研究以“利用机器学习优化电池快速充电协议的闭环系统”为题，发表于2020年2月20日的《自然》（*Nature*）期刊第578卷。

学术背景 本研究的科学领域横跨电化学储能、机器学习与实验设计优化。锂离子电池的快速充电对于缓解电动汽车用户的“里程焦虑”至关重要，但快速充电往往会导致电池寿命（循环寿命）急剧下降。传统的电池优化方法，例如穷举搜索或基于物理直觉（如为避免负极析锂而设计电流递减的充电协议）的设计，面临巨大挑战。这主要是因为，评估一个充电协议的寿命需要进行长达数月甚至数年的循环实验，而充电协议的设计参数空间又非常庞大（本研究涉及224种不同协议）。因此，减少所需实验的数量和每次实验的时长，是加速电池研发的核心瓶颈。本研究的目的是开发一种高效的方法，在尽可能短的时间内，从一个多维参数空间中寻找到能够最大化电池循环寿命的最优快速充电协议。

详细工作流程 本研究开发并演示了一个结合了“早期结果预测”和“贝叶斯优化”（Bayesian Optimization, BO）的闭环优化（Closed-Loop Optimization, CLO）系统。整个工作流程包含三个核心组件，并以迭代循环的方式进行。

第一组件：并行电池循环实验。 研究对象为商用A123系统的18650型磷酸铁锂/石墨圆柱电池。研究的参数空间是224种独特的六步十分钟快速充电协议。每个协议由三个独立参数（CC1， CC2， CC3）定义，分别代表在0-20%、20-40%、40-60%荷电状态（State of Charge, SOC）区间内施加的恒定电流，第四个电流（CC4）由总充电时间（10分钟）和前三个电流值约束得出。初始，从224个协议中随机选择48个进行测试，使用48通道电池测试柜在30°C下进行充放电循环。关键创新在于，每个电池只循环100个周期（约4天），而非循环至失效（平均寿命约905周期），然后实验终止。这极大地缩短了单次实验的时长。

第二组件：早期结果预测模型。 这是减少单次实验时间的关键。研究人员利用机器学习模型，仅根据电池前100个循环的充电数据（如电压曲线差异、放电容量衰减趋势等特征），来预测电池最终的循环寿命。该模型是一个基于弹性网络回归（Elastic Net regression）训练的线性模型。模型在一个包含41个循环至失效电池的预先收集的数据集上进行训练和验证。通过这个“早期预测器”，原本需要40天才能完成的寿命评估，在4天后就能获得一个预测值，尽管存在一定误差，但显著加速了反馈回路。

第三组件：贝叶斯优化算法。 这是减少所需实验数量的关键。该算法接收来自早期预测器提供的预测寿命数据，其核心任务是平衡“探索”与“利用”：既要测试预测不确定性高的协议区域（探索），也要深入测试预测寿命高的协议区域（利用）。算法内部使用高斯过程（Gaussian Process）来建模整个参数空间中协议与（预测）循环寿命之间的函数关系，并为每个协议估计一个平均寿命和不确定性区间。在每一轮迭代结束时，算法根据“上置信界”策略，推荐下一轮要测试的48个协议，这些协议是那些“估计寿命高”或“不确定性高”的协议组合。接着，这些被推荐的协议进入第一组件进行下一轮100周期的测试，产生的数据再输入早期预测器，预测结果再反馈给贝叶斯优化器，如此构成一个闭环。

整个CLO流程共运行了四轮，总计测试了185个电池（扣除故障样本），仅用时16天。作为对比，若要对所有224种协议各进行3次重复并测试至失效，将需要超过500天。

主要结果 1. 高效识别最优协议： CLO系统在16天内成功地从224个候选协议中识别出了高循环寿命的充电协议区域。贝叶斯优化器通过学习参数空间的结构，迅速将实验资源集中在高性能区域，避免了评估低性能协议。数据显示，117个协议从未被测试，而系统将67%的电池用于测试仅占总数21%的协议，实现了高效聚焦。 2. 生成最大规模充电-寿命映射数据集： 通过CLO，研究获得了迄今为止已知最大的、关于充电条件与循环寿命关系的映射数据集。这个数据集可用于验证基于物理的电池衰减模型。 3. 挑战传统认知： 研究发现了与传统电池智慧相悖的结果。以往文献普遍认为，为避免石墨负极析锂，最优的快速充电协议应是电流随SOC增加而单调递减的。然而，CLO识别出的最优协议（例如4.8C–5.2C–5.2C–4.160C）更接近于恒流充电（即CC1≈CC2≈CC3≈CC4）。这表明，对于该特定电池体系（LFP/石墨）和测试条件（10分钟快充，30°C），最小化产热引发的副反应可能是比避免析锂更关键的优化策略。这一意外发现凸显了数据驱动方法在优化复杂系统方面的价值。 4. 验证实验证实效果： 在后续的验证实验中，研究人员挑选了9个协议（包括CLO推荐的前三名、四个基于文献设计的协议和两个代表性协议），每个协议用5个电池循环至失效。结果证实：CLO对协议寿命的排序与真实寿命排序高度一致（肯德尔秩相关系数0.83）；CLO推荐的最优协议的平均寿命（约895周期）显著高于基于文献思路设计的协议（平均728周期）。这证明了CLO方法的准确性并未因其高效性而打折扣。 5. 消融研究凸显组件价值： 通过模拟比较不同优化策略的性能，研究发现：同时使用早期预测和贝叶斯优化的完整CLO系统，仅需约500个电池小时的测试即可达到接近最佳的性能；而仅使用随机搜索且无早期预测的“暴力”方法，则需要超过7700个电池小时。这清楚地表明，早期预测大幅降低了单次实验成本，而贝叶斯优化则显著减少了所需实验次数，两者结合产生了协同效应。

结论与价值 本研究成功开发并验证了一种结合机器学习早期预测和贝叶斯优化实验设计的闭环系统，能够极大加速锂离子电池快速充电协议的优化进程。其科学价值在于：第一，为处理“实验耗时漫长”与“参数空间庞大”双重瓶颈的科学研究提供了一个通用框架；第二，产生的数据挑战了关于快充优化的传统观点，推动了更深入的机理研究。其应用价值巨大：该方法可直接用于优化不同化学体系、不同温度条件下的电池充电策略，并可扩展至电池制造（如化成工艺优化）、电池管理系统参数标定等领域。更广泛地，该方法论可推广至任何涉及耗时实验和多维设计空间的科学和工程领域，如新材料发现、药物研发等，展现出数据驱动方法加速科学发现的强大潜力。

研究亮点 1. 方法学创新： 创造性地将“早期结果预测”（降低单次实验成本）与“贝叶斯优化实验设计”（降低实验总数）深度融合，构建了一个高效的自动化闭环实验优化系统。 2. 工程实现与验证： 并非纯粹模拟，而是进行了大规模的实体电池实验（总计测试数百个电池），并在独立验证集上证实了方法的有效性和优越性，工作扎实可信。 3. 颠覆性发现： 通过数据驱动的方法，获得了与领域内传统设计原则相左的最优充电协议，揭示了在特定条件下可能存在被忽视的衰减主导机制，具有重要的启发意义。 4. 极高的效率提升： 将原本需要超过500天的优化任务缩短至16天，效率提升超过30倍，为解决类似长期实验痛点提供了可行的技术路径。

其他有价值内容 研究还探讨了该方法的可扩展性。文中指出，只要存在合适的早期预测模型，该方法同样可用于优化电池的其他方面，如电极材料筛选、电解质配方开发等。此外，研究团队开源了相关的代码和数据，促进了该领域的进一步研究和应用。论文的补充信息部分还包含了关于早期预测模型特征工程、贝叶斯优化超参数调优、日历老化影响分析等深入讨论，对于希望复现或拓展该工作的研究人员具有重要参考价值。