AI驱动电池寿命预测加速新设计验证

密歇根大学构建的AI工具利用早期电池测试数据预测新设计性能。（图片来源：Xin Zou, University of Wisconsin-Madison）

Tech Briefs: 是什么促使你启动这个项目？

Ziyou Song: 我同时在学术界和工业界工作，深知电池测试验证的痛点。新电池设计虽与前代差别不大，却总要在相似条件下重做所有实验室测试，至少耗时六个月且消耗大量能源。所以我们想：如果新设计变化不大，能否利用前代数据集？能否借用前代设计的知识和数据模式预测新设计寿命？那将节省大量时间和能源。

我们从AI for Science视角切入——科学预测是最重要问题之一。我们特别关注机器学习方法的成本效益：如何用最少数据达到同等或更好的预测性能。

Tech Briefs: 如何应对新设计与前代不完全相同的问题？

Song: 这得深入我们的具体框架。我们借用几十年前一项研究的概念，模仿人类感知世界、获取知识的方式。比如我们通过观察粗略学习、上课精准学习、或向他人请教。我们的框架利用一种叫"发现式学习"的教学法。有新电池设计时，我们想将其映射到现有电池单元，看如何利用它们的数据集为新设计服务，从而在无长时间测试下预测寿命。

我们测试新设计观察初始参数及其前几十个循环的演变。然后尝试将这种模式映射到前代电池，因为我们有它们的完整数据集。若看到相似模式，就知新设计与早期相似。便可利用那些知识、数据模式预测新电池寿命。

Tech Briefs: 你说测试消耗大量能源，是因为负载测试吗？

Song: 正是。实验室循环测试需反复充放电，如1000次、2000次循环，消耗大量能源。若只做50次循环就能省很多。

我们不仅验证更少循环，也验证更少电芯。以前为覆盖不同工况可能需100个电芯、100通道测试；现在只需覆盖部分——如10个电芯、10工况、50循环。从缩短循环和减少电芯两方面节能。

Tech Briefs: 测试哪些条件？

Song: 温度是关键指标。另一个是用电方式。比如我们都有手机，用法可能截然不同。我习惯满电，电池退化快；若你只在SOC中间区间用，电池更耐用。因人用电不同，我们要覆盖尽可能多工况。

Tech Briefs: 系统三组件：学习者、解释者、预言机，请描述。

Song: 这是发现式学习三组件。学习者——提问者，决定测试哪些电芯设计原型。学习者将指令传给解释者，后者利用早期循环测试数据构建由物理参数（即特征）组成的特征空间，可被电池专家解释。所以我们不用无意义统计特征，用电池工程师科学家可解释的特征。解释者将这些特征提供给预言机。预言机做零样本学习——即无额外实验预测新电池设计寿命。预言机将预测结果回传给学习者，学习者信任并从中学习。多轮后，学习者自身具备预测新设计能力。最终学习者与预言机共同为所有电池样本预测。

Tech Briefs: 如何选择作为模型的前代电池？

Song: 主要靠解释者。比如有新设计演化参数集，可映射到前代电池对比模式。也利用预言机（因其用前代设计训练）。解释者还能告知我们关注的参数。如认为有11或14个参数对寿命极重要，用解释者从初始测试数据获取这些参数。然后利用预言机以这些参数集为输入预测设计寿命。当然预言机首轮不给精准结果，需迭代减少不确定性、随时间改进。

既然知不准，学习者发起第二轮。我得结果，你告诉我选的三个电池设计寿命。我对某些设计或工况仍不确定。可能再选两个电芯重复流程——这就是人类学习方式。针对不同工况迭代。

Tech Briefs: 得出预测后如何证明正确？

Song: 首轮新电池直觉选择代表性工况。如关注低温、高温、中温性能，高低倍率放电。二轮有定量数据辅助选后续电芯。用高斯过程回归给预测不确定性。再选最不确定预测的工况重跑确证原预测。

这是领域通用做法，大多信任。但发表论文时有评论问：如何确证不确定性量化本身正确？有不同方法，诚实说我们未全试，计划未来做。

Tech Briefs: 电池厂商会信任你们预测直接投产吗？

Song: 好问题。我认为会，至少合作近四年的一家电池公司会。合作中他们提供所有数据，我们与其工程师讨论结果，他们认为可信。所以若有新设计、特别是与前代差别不大，我们框架有效。

但也要指出研究局限，这很重要。例如无法明确量化新设计与前代差异很大时的局限。框架非魔法——若现有领域知识与新设计差异巨大，如何预测？

我们未获得量化这些问题的方法论——超出本工作范围。但值得深入。如本研究仅覆盖传统锂电池，不含固态、锂金属等先进技术。

Tech Briefs: 所以只覆盖标准锂离子电池？

Song: 正是。目前大多数产品用标准锂离子电池。但即使常用锂电池单元，新设计时电动车或电池公司也要每设计测试一年。所以工具当前很有用。局限在于面对差异巨大的新设计怎么办。

Tech Briefs: 你也提到基于物理的分析，是什么意思？

Song: 指利用基于物理的模型——即第一性原理模型。如菲克扩散定律等基本物理方程。用这些生成物理可解释特征。许多前人论文只用电压电流测量衍生特征，不知其具体物理意义。

结合物理建模和参数标定，基于参数遵循特定趋势，我能告诉你电池为何耐用，或可能有何种降解机制。让预测更可信、更可解释。

若只用机器学习不重视物理，训练数据集可能给出95%情况适用的预测。但意味着虽对你有效，可能对我无效。若对我无效，可能给出违背物理的荒谬预测，实践中不可容忍。准确度上，1%误差可接受，甚至2%也行。我只想给可靠估计，非荒谬离谱估计。

Tech Briefs: 如何将物理参数输入系统？

Song: 我们有模型指示系统响应。知参数与响应有关系。用解释者获取那些参数的统计分布，因难精准标定如此多参数。对现有优秀设计和数据集，做参数标定、分布，尝试将参数分布趋势映射到电池单元寿命。因现有电池设计有全生命周期测试数据，能看实际关系。再尝试利用这类关系为新电池设计服务。

Tech Briefs: 下一步计划？

Song: 我关于这项工作的计划是弄清框架局限。我们只能测试有限电池设计，非每一种。现在讨论固态、锂金属、锂硫电池等，化学体系各异。想看框架对新型电池是否适用。若不适用，探索需做什么改变。我认为框架仍适用，但需修改因不同化学体系内部物理差异大。

对电池人，最重要组件是解释者。这领域有大量工作。如增强基于物理建模提升固态电池建模性能。