锂离子电池爆炸，不仅影响消费者的安全，也让问题厂家遭遇滑铁卢。所以，确保锂离子电池安全，已成为业界的当务之急。固体锂离子电池，在安全性能方面，远远超过液体锂离子电池。但是，从众多候选材料中，选择最佳的固定锂离子电池材料成为了一个巨大科研挑战。然而，斯坦福大学研究人员人工智能和机器学习方法应对这一问题并取得显著成果。
从传统液体锂离子电池的安全事故说起
目前，关于锂离子电池安全事故的报道，关注度最大的莫过于三星galaxynote7的爆炸事件了。我们先来看看两张触目惊心的图片：
网友展示的三星note7充电时发生爆炸的图片(图片来源于网络)
美国福克斯电视台报道，佛罗里达的一名男子将Note7放在车内充电，结果手机发生爆炸，将整个吉普车也彻底烧毁。(图片来源于福克斯电视台)
关于Note7爆炸的原因，可谓众说纷纭，小编认为最靠谱的说法来源于第三方调查机构Instrumental，他们认为太过激进的外观和电池的设计，导致了电池结构设计不合理，正负极很容易积压在一起，引起短路，而且隔膜太薄很容易击穿。除此之外，也有其他种种说法和猜测，但可以确定的是爆炸肯定和液体电解质锂离子电池燃烧相关。
然而，锂离子电池的事故仅仅会发生在三星一个厂家吗?肯定不是。有关锂离子电池的引起的爆炸事故，案例已经太多，比如生产锂离子电池的厂的起火和爆炸，另外还有特斯拉电动汽车自燃、小米移动电源爆炸等等。
传统锂离子电池为何容易爆炸呢?
关于这个问题，John在之前的文章《传统锂离子电池安全事故频发新型固态电池安全性更佳》中有过阐述，这里再简单介绍一下：
传统的锂离子电池中，正负极电极由固态导电的化合物组成，但是这些电极之间的电解质却是液体或者胶体的，电荷在其中移动。假如，充电方式不正确(例如过量充电)或者放在阳光下暴晒，液体电解质可能会被点燃，胶体则会发生膨胀。然而，传统锂离子电池的电解液为有机液体，在高温下会发生副反应，氧化分解，出现气体，发生燃烧的倾向会加剧，所以容易引起爆炸。
固体电解质材料耐高温不易燃
正是由于传统锂离子电池的不安全因素，科学家们一直在为锂离子电池寻找易燃的液体电解质的替代品。我们之前文章介绍过在这方面的研究成果(来自苏黎世联邦理工学院)，让锂离子电池的电极和电解质都由固体制成，因为固体电极在高温或者暴露在空气中的情况下，都不容易燃烧。
斯坦福大学的最新研究成果简介
然而，如何寻找最适合的固态电解质材料呢?目前，斯坦福大学的研究人员使用人工智能和机器学习的办法，找到了约21个固体电解质材料，有望未来取代易燃的液体电解质，在智能手机、平板电脑以及其他电子设备中使用，它们的研究成果发表在《能源与环境科学》杂志上。
论文的第一作者、研究的带头人、应用物理方面的博士研究生AustinSendek关于液体电解质和固体电解质的优缺点，是这么评价的：
电解质在电池的正负极往返地运输锂离子。液体电解质很廉价，能够很好的导电性能，但是它们在电池过热或者短路时容易着火。固体电解质最大的有点就是稳定性。相关于有机溶液，固体不容易发生爆炸和蒸发现象。它们也更加严格，让电池的结构更强大。
使用人工智能寻找固体电解质材料
通过多年的实验尝试，研究人员经历了不少失败，但是现在他们找到了廉价的固体材料，在室温下和液体电解质有着同样的性能。
寻找固体电解质材料的过程中，团队并不是通过随机测试个别化合物的方法，他们使用了人工智能和机器学习，通过实验数据构造预测模型。他们训练了一种计算机算法，基于现有的数据，去学习如何辨认化合物的好坏。这个过程和人脸识别算法，在观察几个范例后，去辨认人脸的过程很类似。
关于使用人工智能的方法进行材料筛选，Sendek这么评价道：
现有的含有锂元素的化合物数量是数以万计的，绝大多数是未经测试的。其中的一些可能是性能优异的导体。我们开发了一个计算模型，关于我们现有的有限数据进行学习，从大规模的数据库中，筛选出合适的材料。这种筛选方法的速度是现有筛选方法的百万倍。
为了设计这个模型，Sendek花费了差不多两年时间，搜集有关含有锂元素的固体化合物的所有科学数据。关于AustinSendek的工作，这项论文的高级作者，材料科学和工程专业的助理教授EvanReed如此评价：
Austin搜集了有关这些材料的所有人类智慧，以及过去几十年来的许多测量和实验数据。他使用这些知识创建了一个模型，模型可以预测材料是否会是一个好的电解质。这个方法可以筛选所有的候选材料，找出适合进一步研究的最佳材料。
筛选标准的是什么?
模型使用了几个标准去筛选理想的材料包括：稳定性、成本、丰富度、锂离子的导电性、在电池电路中为电子重新规划线路的能力。科学家为了探索几千种材料的物理和化学特性建立了材料计划数据库，从这个数据库中选择候选材料。
Sendek说：
我们筛选了超过12，000种含有锂元素的化合物，最终找到了21种作为固体电极的理想材料。筛选只要花费几分钟。我绝大多数的时间，实际上是用于搜集和管理所有的数据，开发关于预测模型信心度的度量机制。
研究的意义和未来展望
研究人员未来计划在实验室环境下测试这21种材料，判断它们是否是现实世界情况下的最佳选择。
