新AI模型仅需要分析50次循环即可预测电池寿命

该系统由密歇根大学电气与计算机工程系助理教授宋子佑（Ziyou Song）及博士生张家伟（Jiawei Zhang）团队开发，并发表于《自然》期刊。 研究人员构建了一套由多个“代理型”AI 工具协同工作的框架，每个模块承担不同分工，以类似科研团队协作的方式共享数据、检验假设并不断修正预测结果。 项目由美国电池开发企业 Farasis Energy USA 提供经费支持，并向研究团队提供实际电芯与运行数据，用于评估模型预测的准确性。

这一 AI 框架借鉴了“发现式学习”的教育理念，通过探索和经验来解决问题。 在电池场景下，AI 像一名“学生”，先从大量历史实验数据中学习，再结合少量新测试结果与物理模型，将电池早期性能与最终循环寿命建立起联系。 研究团队将整体流程划分为“学习者”“解释者”和“神谕”三类角色：学习者负责选择在特定温度、电流条件下进行测试的电池样本，执行约 50 个循环的初始试验；解释者利用嵌入物理机理的模拟器对数据进行分析；神谕则在此基础上融合既有知识，给出对完整寿命周期的预测。

随着实验样本的积累，学习者会不断把“神谕”的预测结果纳入自身数据集，逐步提升模型精度。 在训练达到一定规模后，系统无需重复完整实验流程，就可以对新电池的寿命做出推断，研究团队将这种能力形容为某种形式的“自主科学推理”。 与许多只关注电压曲线、充放电倍率等表层电信号的传统统计模型不同，这一方法试图解析更深层次的物理和化学参数，包括电极材料在热、应力以及反复循环条件下的行为变化。

研究结果显示，这一物理驱动的框架具备跨电池形态的泛化能力。 即便模型仅以小型圆柱电池的数据进行训练，其仍能较准确地预测 Farasis 提供的大尺寸软包电池的性能表现。 这被认为表明模型在一定程度上捕捉到了电池老化过程中的共性规律，使其在实际应用中有望在几天的测试后就给出可靠的寿命预估，而传统耐久性试验往往需要延伸到 1，000 次循环甚至更久。

在能耗方面，团队的分析指出，利用这套 AI 系统进行寿命预测仅需大型实验室常规测试约 5% 的能量消耗。 这对于需要大量样本测试的新材料、新电极体系研发尤其关键，有望降低实验成本，缩短从实验室走向产业化的时间窗口。 虽然目前研究的重点在于预测循环寿命，但研究人员已经开始探索扩展方向，包括预判安全极限、优化充电倍率，以及为下一代锂离子电池筛选更合适的材料组合。

团队的远期设想还不限于电池本身。 由于“发现式学习”作为一种通用的科学研究范式同样适用于其他需要长周期、昂贵实验反馈的领域，研究者认为类似框架未来有望推广到化学、材料科学等多个学科，用以加速新材料、新工艺的发现与验证进程。