AI加速电池研发：50次循环预测寿命，效率提升新突破

2月9日，一种全新的工具有望为科学家设计与测试电池的进程带来革命性加速。密歇根大学的研究团队开发出一套机器学习系统，仅需利用常规测试中极小部分的数据，便能快速预测电池寿命，从而有望将原型研发周期从数月甚至数年缩短至远低于此。

与传统测试需要数百甚至数千次充放电循环不同，该模型仅仅通过50次循环，便可估算新型电池的使用寿命。研究团队表示，这种方法能够将测试所需的时间与能耗大幅降低95%以上，让工程师得以以前所未有的速度与效率评估电池性能。

这项研究发表于《自然》期刊，由密歇根大学电气与计算机工程系的宋子游助理教授与博士生张嘉伟领衔开发。他们构建了一组被称为“智能体式”AI工具，每个工具都承担专门任务。这些组件协同工作，如同实验室里的研究人员一般——共享数据、验证假设、不断优化结果。

该研究由美国法拉雷斯能源资助，这家总部位于加州的电池开发商同时提供了真实数据与软包电池，用于验证模型预测效果。

这套AI框架的设计灵感源自发现式学习，这是一种强调通过探索与实践解决问题的教育学原理。在此场景中，AI“学习者”如同人类研究者，从过往实验中学习：它回顾此前电池设计的历史数据，开展小规模实验，并借助物理模型，将早期性能特征与最终循环寿命关联起来。

整个流程分为三个明确角色：学习者、解释者、预言者。

学习者首先筛选有潜力的电池候选方案，在特定温度与电流条件下进行测试；这些初步试验约为50次循环，产生的数据由解释者通过物理学信息驱动模拟器进行分析；最后，预言者将分析结果与现有知识结合，预测每种设计的完整使用寿命。

学习者随后将预测结果纳入不断扩充的数据集，随时间提升精度。在学习足够多案例后，系统无需重复完整实验流程，即可直接预测电池寿命，研究人员将其称为一种自主科学推理能力。

密歇根大学这一方法与常规统计模型的核心区别，在于其理解深度。系统并非只关注电压曲线、充电速率等表层电信号，而是解析底层物理与化学参数，包括电极材料在高温、应力与反复循环下的行为规律。

这些机理认知让模型能够跨电池形态泛化：从消费电子中的小型圆柱电池，到电动汽车使用的柔性软包电池，均适用。

即便仅用圆柱电池数据训练，该AI仍能精准预测法拉雷斯提供的大型软包电池性能。这表明，其基于物理的框架捕捉到了电池老化的普遍规律。从实际应用来看，仅需数天测试即可得到可靠寿命预测，而传统耐久性测试往往需要1000次以上循环，耗时数月甚至数年。

其能耗优势同样显著：据研究团队测算，使用该AI系统预测循环寿命，能耗仅为传统大规模实验测试的约5%。

尽管当前研究聚焦于循环寿命预测，研究人员已着手拓展功能，包括预测安全极限、优化充电速率、筛选最适合下一代锂电池的材料。

他们的更长远愿景远不止于储能领域。由于发现式学习是一种可通用的科学方法，团队认为，类似框架可加速化学、材料科学及其他受漫长、昂贵实验周期限制的学科研究。