材料科学：機械学習による電池の高速充電プロトコルの閉ループ最適化
Nature 578, 7795 doi: 10.1038/s41586-020-1994-5
時間のかかる実験での多くの設計パラメーターの同時最適化は、さまざまな科学技術分野においてボトルネックを引き起こす。その一例が、リチウムイオン電池の、材料選定、セル製造、動作時におけるプロセスと制御の最適化である。一般的な目標は、電池寿命を最大化することだが、1つの実験であっても寿命の評価には数か月から数年かかる可能性がある。さらに、パラメーター空間が大きい場合やサンプリングのばらつきが大きい場合には、いずれも多数の実験が必要になる。従って、必要な実験の数と時間を削減することが、主要課題になる。今回我々は、電池サイクル寿命を最大化するための、6段階10分間の高速充電プロトコルの電流・電圧プロファイルを規定するパラメーター空間を、効率的に最適化する機械学習方法を開発・実証した。これによって、電気自動車ユーザーの航続距離に関する不安を和らげることができる。我々は、最初の数サイクルのデータを用いて最終的なサイクル寿命を予測することによって実験当たりの時間を削減する早期予測モデルと、探索と搾取のバランスを取って充電プロトコルのパラメーター空間を効率的に調べることによって実験数を減らすベイズ最適化アルゴリズムという、2つの主要要素を組み合わせて、最適化コストを低減した。我々はこの方法を用いて、224の候補の中から高サイクル寿命充電プロトコルを迅速に16日で特定し（早期予測を行わずしらみつぶし探索を用いた場合は500日以上を要す）、次に今回の最適化アプローチの正確さと効率を検証した。今回の閉ループ法は、過去の実験からのフィードバックを自動的に取り入れて将来の決定に対して情報を提示しており、他の電池設計への応用、さらには、非常に時間がかかる実験や多次元設計空間を伴う他の科学領域への応用にも一般化できる。
