大约在今年年初，卡内基-梅隆大学的研究人员使用机器人系统又进行了几十次实验，以创造能让锂离子电池更快充电的电解质。这是广泛采用电动汽车的一个主要障碍。他们研发的Clio系统，包括自动泵、阀门和仪器，将各种化学品混合在一起，然后根据关键的电池基准测量其性能。这些结果随后被输入Dragonfly，这是一个机器学习程序，可以提出可能更有效的不同化学组合。
根据发表在《自然通讯》上的一篇论文，该系统产生了六种电解质，当卡内基大学的研究人员将它们放入小型测试电池时，它们的表现优于标准电解质。最好的一种比表现最好的基线电池单元提高了13%。开发更好的电解质对于提高电池的性能、安全性和成本至关重要。因为它们减少了在充电站长时间等待的不便，更快的充电电池可以使电动汽车和卡车更具吸引力。
材料发现一直是一个依靠直觉、知情推测、反复试验的过程。由于有许多可能的组合和物质，它可能是费时和困难的。研究人员可能最终走上许多错误的道路。近年来，研究实验室越来越多地将自动化系统与机器学习软件结合起来，机器学习软件能够识别数据模式，并在指定的任务上有所改进。这使他们能够开发出最适合于特定应用的材料。
Dragonfly这样的系统可以迅速探索更广泛的可能性，然后以系统的方式应用它所学到的东西。Dragonfly没有任何关于化学和电池的信息，所以它的建议不会有偏见。研究人员选择第一种混合物。然后，它探索各种组合，包括对原有的温和改进和全新的建议。最后，它确定了能实现其目标的最佳成分组合。
Dragonfly测量并寻求优化的关键指标之一是"离子传导性"，或离子在溶液中流动的便利程度，这直接影响到电池充电的速度。但是，商业电解质必须能够在一系列的衡量标准中表现良好。这包括总的生命周期、功率输出和安全性。一个领域的改进往往可能导致其他领域的问题。
在未来，卡内基梅隆大学的研究人员计划改进机器学习工具并加速机器人实验。他们还希望以多个目标而不是一个性能目标进行实验。机器学习和自动化将允许更快地发现新的突破性材料。这将帮助世界减少与气候有关的排放。