江奔奔&Richard Braatz等人Joule:通过机器学习快速预测新能源电池快充性能

近日,《细胞》（Cell）旗下期刊《焦耳》（Joule）在线发表了清华大学自动化系江奔奔助理教授与美国麻省理工学院、斯坦福大学等高校的科研人员合作完成的研究成果—基于贝叶斯学习的锂离子电池充电策略快速预测（Bayesian Learning for Rapid Prediction of Lithium-ion Battery Cycling Protocols）。该文提出了综合分层贝叶斯模型和寿命早期预测模型，实现了只需少量样本和循环数据就能够精准预测评价新能源电池快充性能的技术。

图1. 论文的图片摘要（Graphical Abstract）

该研究亦是对我国能源战略和新能源电池研发国际趋势的紧密回应。伴随着“电动化、低碳化、信息化、智能化”为核心特征的全球汽车产业革命，发展纯电动、智能化的新能源汽车在全球范围内达成广泛共识。我国在“十四五”规划的顶层设计之下，发展高安全、长寿命、高性能的动力电池储能技术已经成为夯实和解决新能源汽车产业卡脖子技术的前沿阵地。在国际层面，对新能源储能电池的核心攻关也有助于我国能源结构向清洁化、低碳化、电动化转型，成为2030年“碳达峰”和2060年“碳中和”战略目标的核心实现路径。

目前新能源电池研发领域大部分遵循着实验试错的设计方法，非常耗资源和时间。《欧盟电池2030+》能源战略计划指出为了促进电池领域的变革性发展，需要利用机器学习等人工智能技术不断提出新的研究方法和开拓新的创新领域，在电池系统和材料等层面加快实现超高性能电池储能技术开发。

图 2. 不同寿命波动程度和观测样本情形下分层贝叶斯方法预测结果

该文聚焦电池系统层面快充性能快速预测的问题。目前快充预测评价问题存在如下难点：1）快充设计测试实验成本资源预算有限，但充电方式的参数搜索空间巨大；2）快充策略性能测试评估代价昂贵，仅对数百个循环次数电池寿命的快充策略进行实验测试就至少耗时数月。面对上述难点，该文以解析电化学数据作为切入点，提出了综合分层贝叶斯模型（HBM）和寿命早期预测模型的预测方法，实现了只需少量样本和循环数据就能够精准预测评价快充策略。

具体而言，该文通过深入研究探索到“定量量化出快充策略波动程度和寿命预测不确定性信息”是实现小样本快充策略预测的关键，首次利用HBM方法有效量化出该信息，实现了只需少量样本甚至一个样本就能够精准预测。同时，利用量化出的不确定信息，最大限度放宽寿命预测模型所需的精确度，实现了只需利用电池前三个充放电循环次数就可完成快充性能预测。该文所提出的贝叶斯学习快充预测方法突破了现有评估方法需要基于大量数据和多次重复测试实验才能够精确预测评价的技术瓶颈，可以从整体上缩减两个数量级的测试实验成本。

除了针对电池系统优化预测外，下一代电池新材料的优化设计问题同样面临着上述难点，目前仍采用耗时耗力的实验试错研究方式。该文所提出的基于贝叶斯机器学习的快速预测方法同样可以应用于新型电池材料（例如，固态电解质）的优化设计中，加快下一代超高性能电池材料的研发速度。

合作研究成果以长文形式发表，论文第一作者是清华大学江奔奔助理教授，通讯作者是美国麻省理工学院Richard D. Braatz教授。其他主要合作者包括美国麻省理工学院Martin Bazant教授、斯坦福大学William Chueh教授、William Gent博士和劳伦斯伯克利国家实验室Stephen Harris博士。该研究得到了清华大学-丰田国际联合基金等项目的支持。论文链接：

Benben Jiang, William E. Gent, Fabian Mohr, Supratim Das, Marc D. Berliner, Michael Forsuelo, Hongbo Zhao, Peter M. Attia, Aditya Grover, Patrick K. Herring, Martin Z. Bazant, Stephen J. Harris, Stefano Ermon, William C. Chueh, Richard D. Braatz, Bayesian learning for rapid prediction of lithium-ion battery-cycling protocols, Joule, 2021, https://doi.org/10.1016/j.joule.2021.10.010

【博士后招聘】

合作导师江奔奔，清华大学自动化系助理教授、博士生导师。2015年获清华大学工学博士学位；2016年至2020年在美国麻省理工学院从事博士后研究工作。主要研究方向聚焦于机器学习、人工智能与新能源领域前沿交叉方向。研究融合机器学习、人工智能、控制理论等技术，以新能源动力储能电池设计为载体，致力于探索能源智能的预测、诊断、控制和优化新方法。近五年在Joule, Nature Energy, Automatica, IEEE 汇刊等国际高水平期刊会议上发表论文三十篇。更多内容请参见：www.au.tsinghua.edu.cn/info/1111/2232.htm

因研究需要现招聘博士后多名，应聘条件：1)熟悉机器学习、控制优化等领域专业知识；此外，若具备电化学原理基础知识为加分项；2)获得博士学位3年以内或即将获得博士学位，年龄一般不超过35周岁；3)能够独立开展科研工作，以第一作者身份在相关领域国际高水平学术期刊上发表过研究论文。

博士后岗位待遇，按照清华大学相关规定执行，具体包括如下方面：1)薪酬：年薪20~30万元。此外，课题组积极支持并指导博士后申请人及在站博士后申报各类博士后人才支持计划：（1）若入选清华大学“水木学者”计划，年薪25~30万元，并享受国家住房补贴1.2万元/年，以及相关物业和采暖补贴；（2）若入选“博士后创新人才支持计划”（简称“博新计划”），两年60万资助。2)户口：在站期间，户口可迁入北京；出站后，可享受博士后户口迁移政策及家属户口随迁政策。3)住房：可租住清华大学博士后公寓，或享受学校租房补贴4.2万元/年。4)子女入学：博士后子女可在清华大学附属幼儿园或清华大学附属小学上学。5)表现优秀者内推应聘启元实验室研究技术岗位。

申请方式，有意申请者请将申请材料发送至：[e-mail]，同时抄送邮箱：[e-mail]，邮件主题请注明：“博士后应聘-姓名-学校/工作单位”。申请材料包括：1)个人简历；2)代表性论文及其它能够证明本人成果与能力的材料；3)预计能够进站的时间。