开发长寿命电池是满足电动汽车与电网储能日益增长需求的关键所在。快速可靠地评估大量新电池设计的寿命，对于加速下一代电池的研发与应用至关重要。然而，即使进行一次电池寿命评估的退化实验，也可能需要耗费数年艰苦努力。此外，电池原型制造与寿命测试需消耗大量能源，导致可观的温室气体排放。若不能解决当前高昂的时间与能源成本，将严重阻碍电池创新进程，并形成棘手的“可持续性困境”——即推动可持续能源的电池技术本身可能变得不可持续。精准高效的电池寿命预测可为电池设计中的寿命评估提供捷径。现有预测方法的发展主要沿两条路径推进：基于物理模型的方法与基于数据的方法。基于物理的方法将控制方程与复杂的退化模型相结合，虽在理论上具有吸引力，但对退化机制尚未完全明确且仍存争议的认识，构成了根本性局限。近年来，随着人工智能与机器学习的快速发展，数据驱动方法提供了一种与机制无关的替代方案。然而，为提高对新电池设计的预测精度，传统方法仍需通过进一步的退化实验进行训练，且未能有效利用历史电池设计数据。更关键的是，常规方法在完成原型制造前无法做出可靠预测，由此造成严重的效率瓶颈——尤其在面对大规模设计空间时更为突出。

【工作介绍】

在此，美国密歇根大学宋子由教授和孚能科技研发副总裁姜蔚然等人受教育心理学启发，提出一种融合主动学习、物理引导学习和零样本学习的科学机器学习方法——发现学习，该框架模拟人类推理循环。发现学习能够从历史电池设计中汲取经验，减少对原型实验的依赖，从而通过最少实验预测新设计的寿命。为验证发现学习，作者提供了包含123个大型锂离子软包电池的工业级数据集，涵盖多元材料设计组合与循环测试方案。在不同于本研究的公开电池设计数据集上训练后，发现学习仅需首批51%电池原型的前50次循环物理特征，即可实现7.2%测试误差的循环寿命预测。在保守估计下，相较传统方法可节省98%的时间与95%的能耗。发现学习不仅实现了电池寿命预测的精准高效突破，更在广义层面推动了机器学习加速科学发现的发展进程。

相关研究成果以“Discovery Learning predicts battery cycle life from minimal experiments”为题发表在Nature上。

【内容表述】

发现学习作为一种受教育心理学启发的科学机器学习框架，旨在通过极低的实验成本实现电池寿命的快速精准预测。该方法模拟人类推理过程，将主动学习、物理引导学习与零样本学习融合为迭代循环：首先由“学习者”主动筛选信息量最大的未测试电池设计；“解释者”构建跨设计的物理特征空间以对齐历史与未知数据；“先知”则基于历史数据对新设计进行零样本推断，生成伪标签反馈给学习者。此过程持续迭代，直至达到预设精度或迭代阈值。实验表明，该方法仅需51%电池原型的前50次循环数据，即可对全新电池设计实现7.2%的平均绝对百分比误差预测，且以零样本方式超越现有主流方法。在工业验证中，相比传统耗时近1333天、能耗8.523兆瓦时的流程，发现学习仅需33天与0.468兆瓦时，节省约98%的时间与95%的能耗，为电池创新提供了高效可靠的评估路径。

为验证“发现学习”方法，作者构建了一个工业级电池老化数据集，包含123个大型锂离子软包电池，涵盖8种不同的电极材料与电池设计（如PA、PB、PC、PD系列），循环寿命分布在250至1700次之间。其中PD电池采用NMC9/硅碳体系，能量密度最高（315 Wh/kg）。为全面测试方法，实验在多样化循环条件下进行，此数据集填补了大型电池公开退化数据稀缺的空白。训练数据则来自公开的小容量圆柱电池数据集，其在材料、设计和尺寸上与测试集存在显著差异。关键对比显示，公开电池容量多呈线性衰减，而本数据集电池普遍呈现从线性到加速退化的转变，部分电池甚至在初始阶段出现容量上升，这可能与测试夹具的机械约束有关。这些根本性差异凸显了跨设计预测电池寿命的挑战。

为考察制造变异性，研究将123个电池按材料、设计和测试条件划分为37个高度一致的实验组。最终预测目标为各组的平均循环寿命，误差评估将在单体电池和电池组两个层面进行，以全面验证方法的稳健性。

在开环测试中，发现学习框架的“先知”模块（不依赖主动学习反馈）展现出优秀的初级预测能力。其在未知制造变异性的条件下，对37组电池的平均循环寿命预测达到了6.4%的组级平均绝对百分比误差，相关系数高达0.97，且9.1%的单体级误差证实了预测精度并非源于组内平均的偶然性。通过可解释性分析，研究揭示了早期物理特征的关键作用：较低的负极活性材料体积分数和较高的锂化学计量数（均指向较小的电极比表面积）对长寿命预测有积极影响，这与已知的电池设计原则一致。同时，特征重要性会随工况变化，例如负极膜电阻在高温、低倍率下更为关键，这符合SEI生长副反应的主导机制。泛化性测试表明，即使在最具挑战性的场景（如预测全新正负极组合的PD电池），即使从历史数据中完全剔除化学组成最相近的电池型号，该方法仍能保持可靠的预测性能（组级误差8%-19%），且对不确定性量化的分析进一步验证了其结果的稳健性。

图3. 无学习者参与的开放环路发现学习的实验结果。

为降低解释者与先知模块所需的实验成本，闭环设置引入了学习者模块以实现查询选择与主动学习。具体而言，学习者从37个电池组中主动筛选信息量更大的测试样本（每个电池组构成一个样本）。图4a展示了发现学习循环与主动学习循环的核心区别：发现学习使用基于初级推断的“伪标注”过程，替代了主动学习中基于实验的标注流程。本研究采用先无监督、后有监督的查询选择策略。鉴于仅有的37个样本组规模有限，为保障预测稳定性，我们将更多查询预算分配给无监督策略（选取22个电池组），并对多数电池类型设定了60%的选取上限。在有监督环节中，学习者进一步筛选出4个预测标准差高于上四分位数的样本组。最终，学习者共计选择26个电池组进行实验。在先知模块的协助下（对已选26组的预测达到7.1%组级MAPE，均方根误差56次循环），学习者对剩余11个未选组实现了7.4%的组级MAPE预测精度（均方根误差142次循环）。如图4b所示，先知与学习者模块协同工作，在37个电池组的平均循环寿命预测中共同达成7.2%的组级MAPE（均方根误差91次循环），有效验证了闭环框架的性能优势。

图4. 闭环发现式学习与学习者在环中的结果。

【全文总结】

综上所述，本文成功证明了发现学习仅需极少数实验即可有效预测电池循环寿命。该方法还可与先进制造技术和高通量测试相结合，进一步加速下一代电池设计。此外，只要存在合适的历史数据集，发现学习可延伸应用于其他电池性能指标的预测，如安全性能与快充能力。除电池设计外，电池技术的成功部署还需要电池管理等其他领域的协同发展，如何将发现学习拓展至这些领域值得深入研究。从更广义的视角看，发现学习代表了科学人工智能领域的概念性突破，有望通过大幅降低早期预测因子或闭环实验相关的成本，突破现有AI引导的闭环优化策略的局限性。

【文献信息】

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