来源：环球零碳
撰文 | Penn
编辑 | Tang
→这是《环球零碳》的1259篇原创
2024年的诺贝尔奖，AI赢麻了。
瑞典皇家科学院先是将2024年诺贝尔物理学奖颁发给了两位为机器学习奠定基础的科学家：约翰·霍普菲尔德（John J. Hopfield）和杰弗里·辛顿（Geoffrey E. Hinton），以表彰他们在人工神经网络机器学习方面的基础性发现和发明。
一天之后，瑞典皇家科学院又将2024年诺贝尔化学奖授予三位投身于AI for Science领域的科学家。
该奖项的一半授予了大卫·贝克（David Baker），以表彰他对蛋白质计算设计的贡献；另一半授予了德米斯·哈萨比斯（Demis Hassabis）与约翰·江珀（John M. Jumper），以表彰他们对蛋白质结构预测做出的贡献。
这也使得前一天还在恭喜搞AI的前同事辛顿得到诺贝尔物理奖的AlphaGo之父得米斯·哈萨比斯，自己也赢得了这一科学界的至高荣誉。
来自谷歌旗下AI公司Deepmind的德米斯·哈萨比斯和约翰·江珀带队研发的AlphaFold系列对于蛋白质结构预测具有里程碑式贡献，被认为是AI for Science最具代表性的成果。
图说：2024诺贝尔化学奖获奖者
来源：瑞典皇家科学院
至此，2024年诺贝尔奖中，科学类的三个奖项：生理学或医学奖、物理学奖、化学奖已全部揭晓，AI领域无疑成为了“最大赢家”。三大科学奖两项颁给了AI，深刻反映出AI技术作为一股不可忽视的力量，在全球科研舞台上的崛起与影响。
事实上，在获得诺奖加持之前，AI for Science（AI4S，人工智能驱动的科学研究）已经在生命科学、药物研发、材料研发、能源、半导体、环境科学、工业仿真等多个领域有了具体实践，可以帮助缩短研发周期，降低研发成本。
随着世界转向电气化和可再生能源，人类对高效、可靠且经济高效的先进电池的需求从未如此强烈。当AI与电池结合起来，又会有怎样的图景？
01
加速电池材料研究
业内公认，动力电池未来的技术竞争核心在于材料。中科院院士欧阳明高就指出：“锂电下一个10年的技术竞争核心在于材料，而人工智能正在改变材料的研发范式，将大幅度加速全固态电池的研发速度。”
目前，电池材料开发面临着复杂的多变量问题，传统的依赖研究人员进行实验的试错法在电池性能提升方面遇到了瓶颈。而人工智能（AI）具有强大的高速、海量数据处理能力，是突破现有研究瓶颈的最佳技术。
图说：科学家使用这种新发现的材料组装原型电池
来源：Microsoft
今年1月，微软量子计算团队与美国能源部下属实验室合作，微软提供的Azure Quantum Elements（AQE）平台，将高性能计算和人工智能及最终的量子计算结合在一起，开发了一款专为化学和材料科学发现而定制的工具。
研究人员向AQE询问锂用量较少的电池材料，它很快就推荐出3200万种不同的潜在材料，并很快将名单缩小到23种，其中5种是已知材料。
最终，团队锁定了一种候选材料，这种人工智能衍生材料目前被简单地称为 N2116，是一种固态电解质。科学家表示，这种钠、锂、钇和氯离子的混合物有可能减少高达 70% 的锂使用量，可用来制造固态电池，比当今使用液体电解质制成的锂离子电池更安全。
研究团队表示，整个材料筛选过程只花费80个小时，如果使用传统方法获取这些信息，将耗时超过20年。而从构思到开发出可用的电池原型，整个过程也只用了不到九个月的时间。
02
高效预测热失控
随着汽车电动化浪潮席卷全球，人们对电池安全性的担忧比以往任何时候都更加紧迫。
动力电池安全性的一个关键问题是热失控，它是由不可预测的温度飙升引发的，可能导致锂离子电池发生灾难性火灾甚至爆炸。
美国亚利桑那大学的新研究则提供了一种新颖的解决方案来解决这个问题，研究人员通过集成多物理场和机器学习来预测锂离子电池模块的热失控。
图说：锂离子电池热失控引发灾难的过程
来源：guchen-connector
首席研究员、博士生巴萨布·兰詹·达斯·戈斯瓦米（Basab Ranjan Das Goswami）和项目首席研究员维塔利·尤尔基夫（Vitaliy Yurkiv）教授开发了一种系统，可以感知、预测和识别电动汽车电池内的热失控事件。
热传感器被包裹在单个电芯上（多达1000个电芯紧密地挤在一起组成一个完整的电池），这些传感器数据被输入到根据历史数据训练的机器学习算法中。该算法可以预测失控事件可能发生的时间和地点。
该算法通过分析模式来预测未来的过热事件，并对潜在故障发出预警。戈斯瓦米说：“如果我们知道热点（热失控的开始）的位置，我们就可以采取一些解决方案，在电池达到临界阶段之前阻止它。”
戈斯瓦米和尤尔基夫教授使用的方法有别于传统方法，因为他们创新性地将AI和多物理场模型与轻型传感器结合在一起。这比使用笨重的热成像技术更具成本效益，而且可以集成到现有的电池管理系统中，实时准确地预测温度峰值，从而将被动的安全措施转变为主动的预防措施。
尤尔基夫表示，算法的准确性令他印象深刻。在他的研究之前，机器学习模型尚未用于预测热失控。“我们没想到机器学习竟然如此优秀，能够如此精确地预测热电偶温度和热点位置，”尤尔基夫说。“人类永远无法做到这一点。”
03
优化电池设计和制造
AI的引入有望大大简化电池设计流程，通过高效模拟仿真快速解决现有流程中的难题。
机器学习 (ML) 算法在评估多维数据变量和集合之间的组合关联方面具有独特优势，有望帮助研究人员发现不同因素之间的相互作用规律并优化电池设计和制造的机制。
图说：利用数据驱动方法的锂电池生产链示意图
来源：Wiley
今年7月，媒体报道，韩国电池供应商 LG 新能源 (LG Energy Solution) 将采用人工智能 (AI) 技术为客户设计电池。得益于此，LG 新能源能够在一天之内设计出根据客户规格定制的电池单元。
电池设计通常需要大量的时间，并且设计人员的熟练程度至关重要。以往，电池单元设计往往需要经过多次迭代才能满足客户的规格要求，LG 新能源的人工智能电池设计系统将大大简化这一流程。
LG 新能源首席数字官 Jinkyu Lee 指出：“通过将人工智能技术融入决定电池性能的电池设计环节，我们将为客户提供压倒性的产品竞争力和差异化的客户价值。”
图说：LG 电池
来源：LG Energy Solution
特别声明：以上内容仅代表作者本人的观点或立场，不代表新浪财经头条的观点或立场。如因作品内容、版权或其他问题需要与新浪财经头条联系的，请于上述内容发布后的30天内进行。
