AI 加速电池研发：仅需 50 次循环即可预测寿命

2 月 9 日消息，一种全新工具有望极大加速科学家设计与测试电池的进程。密歇根大学的研究人员开发出一套机器学习系统，仅需常规测试中极少部分的数据，就能预测电池寿命，有望将原型研发周期缩短数月甚至数年。

与传统测试需要数百乃至数千次充放电循环不同，该模型仅通过 50 次循环，便可估算新型电池的使用寿命。研究团队表示，这种方法可将测试所需的时间与能耗降低高达 95%，让工程师以前所未有的速度与效率评估电池性能。

该研究发表于《自然》（Nature）期刊，由密歇根大学电气与计算机工程系的宋子游（Ziyou Song，音译）助理教授与博士生张嘉伟（Jiawei Zhang，音译）领衔开发。他们构建了一组被称为“智能体式”（agentic）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。

该研究由美国法尔瑞斯能源（Farasis Energy USA）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（discovery learning），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。

据了解，整个流程分为三个明确角色：学习者、解释器、预言者（oracle）。

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，产生的数据由解释器通过物理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 仍能精准预测法尔瑞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室测试的约 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离子电池的材料。

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。