研究人员正在应用人工智能技术，旨在延长电池的使用寿命并监测电池的健康，为下一代电动汽车和消费电子产品提供动力。
剑桥大学和纽卡斯尔大学的研究人员已经设计了一种机器学习方法，可以预测电池的运行状况，其准确性是当前行业标准的十倍。承诺开发更安全、更可靠的电池。
为了监测电池，研究人员将电脉冲发送到电池中并监测响应。然后，通过机器学习算法处理测量结果，以便预测电池的运行状况和使用寿命。该方法是非侵入性的，可以添加到任何电池系统中。
无法预测锂离子电池的剩余有用电量是电动汽车采用的一个限制，也令手机用户烦恼。当前用于预测电池运行状况的方法基于跟踪电池充电和放电期间的电流和电压。新方法可以捕获更多有关电池内部发生的情况，并可以更好地检测细微的变化。
"安全和可靠性是最重要的设计标准，因为我们开发电池，可以包装大量的能量在一个小空间，"阿尔法李博士说，剑桥的卡文迪什实验室，谁共同领导了这项研究。"通过改进监控充电和放电的软件，并使用数据驱动软件控制充电过程，我相信我们可以为电池性能提供巨大的改进。
剑桥大学卡文迪什实验室阿尔法·李博士
研究人员进行了20，000多次实验测量，以训练模型如何发现电池老化的迹象。该模型学习如何区分重要信号和不相关的噪声。该模型了解哪些电信号与老化最相关，然后允许研究人员设计特定的实验，以更深入地探究电池降解的原因。
"机器学习补充和增进了物理理解，"同样来自卡文迪什实验室的合著者张云伟博士说。我们的机器学习模型识别的可解释信号是未来理论和实验研究的起点。
能源部研究人员使用人工智能计算机视觉技术
能源部SLAC国家加速器实验室的研究人员正在利用人工智能计算机视觉技术来研究电池寿命。根据《科技日报》的一个报道，科学家们正在将机器学习算法与X射线断层扫描数据相结合，以在一个电池组件——阴极——中产生详细的降解图。引用的研究发表在《自然通讯》上。
对于由镍锰钴（NMC）粒子制成的阴极，由导电碳基质结合在一起。研究人员推测，电池性能下降的一个原因可能是粒子从该矩阵中分离。该团队在SLAC的斯坦福同步辐射光源（SSRL）获得高级能力，该系是斯坦福大学能源系的一个部门，欧洲同步辐射设施（ESRF）是欧洲为推进X射线而开展的协作机构，总部设在法国格勒诺布尔。目标是构建 NMC 粒子如何分离和远离矩阵的图片，以及这与电池性能损失的关系。
该团队转向具有人工智能能力的计算机视觉，以帮助开展研究。他们需要一个机器学习模型来训练数据如何识别不同类型的粒子，这样他们就可以开发一个三维图像，了解 NMC 粒子（大或小）如何从阴极中分离出来。
作者鼓励对电池健康进行更多研究。"我们的发现突出了精确量化电池电极微结构的演化性质的重要性，具有统计信心，这是最大限度地提高有源粒子对更高电池容量效用的关键，"作者说。
