创新背景

为了帮助应对气候变化，许多汽车制造商正在竞相增加更多的电动汽车。但为了说服潜在的买家，制造商需要提高这些汽车一次充电能行驶多远。他们面临的主要挑战是如何制造出强大而轻便的电池。

创新过程

通常情况下，科学家们需要几十年的时间来彻底测试新的电池材料。麻省理工学院材料科学的研究人员为了帮助科学家加速这一过程，开发了一种机器学习工具，使评估电池材料过程中最耗时但关键的步骤之一自动化。

研究新电池材料的科学家通常使用计算机模拟来了解不同材料组合的性能。这些模拟就像电池的虚拟显微镜，放大来看材料是如何在原子水平上相互作用的。有了这些细节，科学家就能理解为什么某些组合表现更好，从而指导他们寻找高性能材料。

但建立精确的计算机模拟是非常耗时的，需要数年，有时甚至几十年。为了创建这些相互作用的计算机模型，科学家首先使用复杂的量子力学计算对模型进行粗略的猜测。然后，他们将模型与现实生活中的实验结果进行比较，手动调整模型的不同部分，包括原子之间的距离和化学键的强度，直到模拟结果与现实生活相匹配。

有了充分研究过的电池材料，模拟过程会更容易一些。科学家们可以购买包含预制模型的仿真软件，但这些模型往往存在错误，仍然需要额外的调整。

为了更快地建立精确的计算机模型，研究者正在开发一种基于机器学习的工具，可以有效地指导试错过程。这种机器学习框架希望不必依赖专有模型或进行任何手工调整。利昂已经证实，对于经过充分研究的材料，他的工具与手工制作模型的方法一样精确。

有了这个系统，科学家们将有一个单一的、标准化的方法来建立精确的模型，而不是现有方法的拼凑。

莱昂的工具来得正是时候，当时许多科学家正在研究一种新的电池范式：固态电池。与含有液态电解质的传统电池相比，固态电池更安全、更轻、更容易制造。但是，制造出足够强大的电动汽车电池或可再生能源存储电池是一项挑战。

这在很大程度上是因为在电池化学中，离子不喜欢在固体中流动，而喜欢在原子间距更大的液体中流动。尽管如此，科学家们相信，通过正确的材料组合，固态电池可以为电动汽车等大功率系统提供足够的电力。

利昂计划使用他的机器学习工具来帮助更快地寻找好的固态电池材料。在他在模拟中找到一些强大的候选材料后，他将与其他科学家合作，在真实世界的实验中测试这种新材料。

研究人员利用机器学习工具，更快建立精确的计算机模型，帮助科学家缩减电池材料的测试时间。