鋰電池爆炸，不僅影響消費者的安全，也讓“問題廠家”遭遇滑鐵盧。所以，確保鋰電池安全，已成為業界的當務之急。固體鋰電池，在安全性能方面，遠遠超過液體鋰電池。但是，從眾多候選材料中，選擇最佳的固定鋰電池材料成為了一個巨大科研挑戰。然而，斯坦福大學研究人員人工智能和機器學習方法應對這一問題并取得顯著成果。
從傳統液體鋰電池的安全事故說起
目前，對于鋰電池安全事故的報道，關注度最大的莫過于三星 galaxy note7 的爆炸事件了。我們先來看看兩張觸目驚心的圖片：
網友展示的三星note 7 充電時發生爆炸的圖片（圖片來源于網絡）
美國福克斯電視臺報道，佛羅里達的一名男子將Note7放在車內充電，結果手機發生爆炸，將整個吉普車也徹底燒毀。（圖片來源于福克斯電視臺）
對于Note 7爆炸的原因，可謂眾說紛紜，小編認為最靠譜的說法來源于第三方調查機構Instrumental，他們認為太過激進的外觀和電池的設計，導致了電池結構設計不合理，正負極很容易積壓在一起，引起短路，而且隔膜太薄很容易擊穿。除此之外，也有其他種種說法和猜測，但可以確定的是爆炸肯定和液體電解質鋰電池燃燒相關。
然而，鋰電池的事故僅僅會發生在三星一個廠家嗎？肯定不是。關于鋰電池的引起的爆炸事故，案例已經太多，比如生產鋰電池的工廠的起火和爆炸，另外還有特斯拉電動車自燃、小米移動電源爆炸等等。
傳統鋰電池為什么容易爆炸呢？
對于這個問題，John在之前的文章《傳統鋰電池安全事故頻發 新型固態電池安全性更佳》中有過闡述，這里再簡單介紹一下：
傳統的鋰離子電池中，正負極電極由固態導電的化合物組成，但是這些電極之間的電解質卻是液體或者膠體的，電荷在其中移動。如果，充電方式不正確（例如過量充電）或者放在陽光下暴曬，液體電解質可能會被點燃，膠體則會發生膨脹。然而，傳統鋰電池的電解液為有機液體，在高溫下會發生副反應，氧化分解，產生氣體，發生燃燒的傾向會加劇，所以容易引起爆炸。
固體電解質材料耐高溫不易燃
正是由于傳統鋰電池的不安全因素，科學家們一直在為鋰電池尋找易燃的液體電解質的替代品。我們之前文章介紹過在這方面的研究成果（來自蘇黎世聯邦理工學院），讓鋰電池的電極和電解質都由固體制成，因為固體電極在高溫或者暴露在空氣中的情況下，都不容易燃燒。
斯坦福大學的最新研究成果簡介
然而，如何尋找最適合的固態電解質材料呢？目前，斯坦福大學的研究人員使用人工智能和機器學習的辦法，找到了約21個固體電解質材料，有望未來取代易燃的液體電解質，在智能手機、平板電腦以及其他電子設備中使用，它們的研究成果發表在《能源與環境科學》雜志上。
論文的第一作者、研究的帶頭人、應用物理方面的博士研究生 Austin Sendek 對于液體電解質和固體電解質的優缺點，是這么評價的：
電解質在電池的正負極往返地運輸鋰離子。液體電解質很廉價，能夠很好的導電性能，但是它們在電池過熱或者短路時容易著火。固體電解質最大的有點就是穩定性。相對于有機溶液，固體不容易發生爆炸和蒸發現象。它們也更加嚴格，讓電池的結構更強大。
使用人工智能尋找固體電解質材料
通過多年的實驗嘗試，研究人員經歷了不少失敗，但是現在他們找到了廉價的固體材料，在室溫下和液體電解質有著同樣的性能。
尋找固體電解質材料的過程中，團隊并不是通過隨機測試個別化合物的方法，他們使用了人工智能和機器學習，通過實驗數據構造預測模型。他們訓練了一種計算機算法，基于現有的數據，去學習如何辨認化合物的好壞。這個過程和人臉識別算法，在觀察幾個范例后，去辨認人臉的過程很類似。
對于使用人工智能的方法進行材料篩選，Sendek 這么評價道：
“現有的含有鋰元素的化合物數量是數以萬計的，絕大多數是未經測試的。其中的一些可能是性能優異的導體。我們開發了一個計算模型，對于我們現有的有限數據進行學習，從大規模的數據庫中，篩選出合適的材料。這種篩選方法的速度是現有篩選方法的百萬倍。”
為了設計這個模型，Sendek 花費了差不多兩年時間，搜集關于含有鋰元素的固體化合物的所有科學數據。對于Austin Sendek 的工作， 這項論文的高級作者，材料科學和工程專業的助理教授 Evan Reed 如此評價：
Austin 搜集了關于這些材料的所有人類智慧，以及過去幾十年來的許多測量和實驗數據。他使用這些知識創建了一個模型，模型可以預測材料是否會是一個好的電解質。這個方法可以篩選所有的候選材料，找出適合進一步研究的最佳材料。
篩選標準的是什么？
模型使用了幾個標準去篩選理想的材料包括：穩定性、成本、豐富度、鋰離子的導電性、在電池電路中為電子重新規劃線路的能力。科學家為了探索幾千種材料的物理和化學特性建立了“材料計劃”數據庫， 從這個數據庫中挑選候選材料。
Sendek 說：
“我們篩選了超過12，000種含有鋰元素的化合物，最終找到了21種作為固體電極的理想材料。篩選只需要花費幾分鐘。我絕大多數的時間，實際上是用于搜集和管理所有的數據，開發對于預測模型信心度的度量機制。”