2 月 9 日消息，一種全新工具有望極大加速科學家設計與測試電池的進程。密歇根大學的研究人員開發出一套機器學習系統，僅需常規測試中極少部分的數據，就能預測電池壽命，有望將原型研發周期縮短數月甚至數年。

與傳統測試需要數百乃至數千次充放電循環不同，該模型僅通過 50 次循環，便可估算新型電池的使用壽命。研究團隊表示，這種方法可將測試所需的時間與能耗降低高達 95%，讓工程師以前所未有的速度與效率評估電池性能。

該研究發表于《自然》（Nature）期刊，由密歇根大學電氣與計算機工程系的宋子游（Ziyou Song，音譯）助理教授與博士生張嘉偉（Jiawei Zhang，音譯）領銜開發。他們構建了一組被稱為“智能體式”（agentic）AI 工具，每個工具都承擔專門任務。這些組件協同工作，如同實驗室里的研究人員一般 —— 共享數據、驗證假設、不斷優化結果。

該研究由美國法爾瑞斯能源（Farasis Energy USA）資助，這家總部位于加州的電池開發商同時提供了真實數據與軟包電池，用于驗證模型預測效果。

這套 AI 框架的設計靈感源自發現式學習（discovery learning），這是一種強調通過探索與實踐解決問題的教育學原理。在此場景中，AI “學習者”如同人類研究者，從過往實驗中學習：它回顧此前電池設計的歷史數據，開展小規模實驗，并借助物理模型，將早期性能特征與最終循環壽命關聯起來。

據了解，整個流程分為三個明確角色：學習者、解釋器、預言者（oracle）。

學習者首先篩選有潛力的電池候選方案，在特定溫度與電流條件下進行測試；這些初步試驗約為 50 次循環，產生的數據由解釋器通過物理信息驅動模擬器進行分析；最后，預言者將分析結果與現有知識結合，預測每種設計的完整使用壽命。

學習者隨后將預測結果納入不斷擴充的數據集，隨時間提升精度。在學習足夠多案例后，系統無需重復完整實驗流程，即可直接預測電池壽命，研究人員將其稱為一種自主科學推理能力。

密歇根大學這一方法與常規統計模型的核心區別，在于其理解深度。系統并非只關注電壓曲線、充電速率等表層電信號，而是解析底層物理與化學參數，包括電極材料在高溫、應力與反復循環下的行為規律。

這些機理認知讓模型能夠跨電池形態泛化：從消費電子中的小型圓柱電池，到電動汽車使用的柔性軟包電池，均適用。

即便僅用圓柱電池數據訓練，該 AI 仍能精準預測法爾瑞斯提供的大型軟包電池性能。這表明，其基于物理的框架捕捉到了電池老化的普遍規律。從實際應用來看，僅需數天測試即可得到可靠壽命預測，而傳統耐久性測試往往需要 1000 次以上循環，耗時數月甚至數年。

其能耗優勢同樣顯著：據研究團隊測算，使用該 AI 系統預測循環壽命，能耗僅為傳統大規模實驗室測試的約 5%。

盡管當前研究聚焦于循環壽命預測，研究人員已著手拓展功能，包括預測安全極限、優化充電速率、篩選最適合下一代鋰離子電池的材料。

他們的更長遠愿景遠不止于儲能領域。由于發現式學習是一種可通用的科學方法，團隊認為，類似框架可加速化學、材料科學及其他受漫長、昂貴實驗周期限制的學科研究。