開發長壽命電池是滿足電動汽車與電網儲能日益增長需求的關鍵所在?？焖倏煽康卦u估大量新電池設計的壽命，對于加速下一代電池的研發與應用至關重要。然而，即使進行一次電池壽命評估的退化實驗，也可能需要耗費數年艱苦努力。此外，電池原型制造與壽命測試需消耗大量能源，導致可觀的溫室氣體排放。若不能解決當前高昂的時間與能源成本，將嚴重阻礙電池創新進程，并形成棘手的“可持續性困境”——即推動可持續能源的電池技術本身可能變得不可持續。精準高效的電池壽命預測可為電池設計中的壽命評估提供捷徑?，F有預測方法的發展主要沿兩條路徑推進：基于物理模型的方法與基于數據的方法?；谖锢淼姆椒▽⒖刂品匠膛c復雜的退化模型相結合，雖在理論上具有吸引力，但對退化機制尚未完全明確且仍存爭議的認識，構成了根本性局限。近年來，隨著人工智能與機器學習的快速發展，數據驅動方法提供了一種與機制無關的替代方案。然而，為提高對新電池設計的預測精度，傳統方法仍需通過進一步的退化實驗進行訓練，且未能有效利用歷史電池設計數據。更關鍵的是，常規方法在完成原型制造前無法做出可靠預測，由此造成嚴重的效率瓶頸——尤其在面對大規模設計空間時更為突出。
【工作介紹】
在此，美國密歇根大學宋子由教授和孚能科技研發副總裁姜蔚然等人受教育心理學啟發，提出一種融合主動學習、物理引導學習和零樣本學習的科學機器學習方法——發現學習，該框架模擬人類推理循環。發現學習能夠從歷史電池設計中汲取經驗，減少對原型實驗的依賴，從而通過最少實驗預測新設計的壽命。為驗證發現學習，作者提供了包含123個大型鋰離子軟包電池的工業級數據集，涵蓋多元材料設計組合與循環測試方案。在不同于本研究的公開電池設計數據集上訓練后，發現學習僅需首批51%電池原型的前50次循環物理特征，即可實現7.2%測試誤差的循環壽命預測。在保守估計下，相較傳統方法可節省98%的時間與95%的能耗。發現學習不僅實現了電池壽命預測的精準高效突破，更在廣義層面推動了機器學習加速科學發現的發展進程。
相關研究成果以“Discovery Learning predicts battery cycle life from minimal experiments”為題發表在Nature上。
【內容表述】
發現學習作為一種受教育心理學啟發的科學機器學習框架，旨在通過極低的實驗成本實現電池壽命的快速精準預測。該方法模擬人類推理過程，將主動學習、物理引導學習與零樣本學習融合為迭代循環：首先由“學習者”主動篩選信息量最大的未測試電池設計；“解釋者”構建跨設計的物理特征空間以對齊歷史與未知數據；“先知”則基于歷史數據對新設計進行零樣本推斷，生成偽標簽反饋給學習者。此過程持續迭代，直至達到預設精度或迭代閾值。實驗表明，該方法僅需51%電池原型的前50次循環數據，即可對全新電池設計實現7.2%的平均絕對百分比誤差預測，且以零樣本方式超越現有主流方法。在工業驗證中，相比傳統耗時近1333天、能耗8.523兆瓦時的流程，發現學習僅需33天與0.468兆瓦時，節省約98%的時間與95%的能耗，為電池創新提供了高效可靠的評估路徑。
圖1. 發現學習。
為驗證“發現學習”方法，作者構建了一個工業級電池老化數據集，包含123個大型鋰離子軟包電池，涵蓋8種不同的電極材料與電池設計（如PA、PB、PC、PD系列），循環壽命分布在250至1700次之間。其中PD電池采用NMC9/硅碳體系，能量密度最高（315 Wh/kg）。為全面測試方法，實驗在多樣化循環條件下進行，此數據集填補了大型電池公開退化數據稀缺的空白。訓練數據則來自公開的小容量圓柱電池數據集，其在材料、設計和尺寸上與測試集存在顯著差異。關鍵對比顯示，公開電池容量多呈線性衰減，而本數據集電池普遍呈現從線性到加速退化的轉變，部分電池甚至在初始階段出現容量上升，這可能與測試夾具的機械約束有關。這些根本性差異凸顯了跨設計預測電池壽命的挑戰。
為考察制造變異性，研究將123個電池按材料、設計和測試條件劃分為37個高度一致的實驗組。最終預測目標為各組的平均循環壽命，誤差評估將在單體電池和電池組兩個層面進行，以全面驗證方法的穩健性。
圖2. 工業級大尺寸電池老化數據及其他公開電池數據集概述。
在開環測試中，發現學習框架的“先知”模塊（不依賴主動學習反饋）展現出優秀的初級預測能力。其在未知制造變異性的條件下，對37組電池的平均循環壽命預測達到了6.4%的組級平均絕對百分比誤差，相關系數高達0.97，且9.1%的單體級誤差證實了預測精度并非源于組內平均的偶然性。通過可解釋性分析，研究揭示了早期物理特征的關鍵作用：較低的負極活性材料體積分數和較高的鋰化學計量數（均指向較小的電極比表面積）對長壽命預測有積極影響，這與已知的電池設計原則一致。同時，特征重要性會隨工況變化，例如負極膜電阻在高溫、低倍率下更為關鍵，這符合SEI生長副反應的主導機制。泛化性測試表明，即使在最具挑戰性的場景（如預測全新正負極組合的PD電池），即使從歷史數據中完全剔除化學組成最相近的電池型號，該方法仍能保持可靠的預測性能（組級誤差8%-19%），且對不確定性量化的分析進一步驗證了其結果的穩健性。
圖3. 無學習者參與的開放環路發現學習的實驗結果。
為降低解釋者與先知模塊所需的實驗成本，閉環設置引入了學習者模塊以實現查詢選擇與主動學習。具體而言，學習者從37個電池組中主動篩選信息量更大的測試樣本（每個電池組構成一個樣本）。圖4a展示了發現學習循環與主動學習循環的核心區別：發現學習使用基于初級推斷的“偽標注”過程，替代了主動學習中基于實驗的標注流程。本研究采用先無監督、后有監督的查詢選擇策略。鑒于僅有的37個樣本組規模有限，為保障預測穩定性，我們將更多查詢預算分配給無監督策略（選取22個電池組），并對多數電池類型設定了60%的選取上限。在有監督環節中，學習者進一步篩選出4個預測標準差高于上四分位數的樣本組。最終，學習者共計選擇26個電池組進行實驗。在先知模塊的協助下（對已選26組的預測達到7.1%組級MAPE，均方根誤差56次循環），學習者對剩余11個未選組實現了7.4%的組級MAPE預測精度（均方根誤差142次循環）。如圖4b所示，先知與學習者模塊協同工作，在37個電池組的平均循環壽命預測中共同達成7.2%的組級MAPE（均方根誤差91次循環），有效驗證了閉環框架的性能優勢。
圖4. 閉環發現式學習與學習者在環中的結果。
【全文總結】
綜上所述，本文成功證明了發現學習僅需極少數實驗即可有效預測電池循環壽命。該方法還可與先進制造技術和高通量測試相結合，進一步加速下一代電池設計。此外，只要存在合適的歷史數據集，發現學習可延伸應用于其他電池性能指標的預測，如安全性能與快充能力。除電池設計外，電池技術的成功部署還需要電池管理等其他領域的協同發展，如何將發現學習拓展至這些領域值得深入研究。從更廣義的視角看，發現學習代表了科學人工智能領域的概念性突破，有望通過大幅降低早期預測因子或閉環實驗相關的成本，突破現有AI引導的閉環優化策略的局限性。
【文獻信息】
Jiawei Zhang, Yifei Zhang, Baozhao Yi, Yao Ren, Qi Jiao , Hanyu Bai, Weiran Jiang? Ziyou Song,?Discovery Learning predicts battery cycle life from minimal experiments, Nature, https://doi.org/10.1038/s41586-025-09951-7
