2月4日,孚能科技研發副總裁姜蔚然與密歇根大學安娜堡分校教授宋子由合作領銜,在國際頂級學術期刊《Nature》發表題為“Discovery Learning predicts battery cycle life from minimal experiments”的研究論文。通過深度利用機器學習與AI突破,為全球動力電池行業的技術進步注入新活力。
![]()
電池研發長期面臨評估新設計壽命成本高昂的難題,高時間與能耗成本嚴重制約技術創新,引發“可持續性困境”。現有壽命預測方法依賴特定數據集,在樣品原型制造前難以可靠預測,限制了快速反饋與迭代優化。
在此背景下,該研究創新性地提出“發現學習(Discovery Learning, DL)”的科學機器學習方法。該方法受教育心理學啟發,將主動學習、物理約束學習和零樣本學習有機融合,構建類人推理閉環學習框架。對應這三類學習模塊,DL定義了三個核心智能體:Learner、Interpreter 和 Oracle。在流程中,Learner主動選擇最具信息量的測試樣本,Interpreter利用物理約束學習構建通用可解釋的物理特征空間,緩解特征分布差異,Oracle執行零樣本學習,基于構建的特征空間對選定的測試樣本進行初級推斷,并將推斷結果作為“偽標簽”反饋給Learner。如此迭代,直至滿足預設終止條件,最終完成整個預測流程。
測試中,DL技術利用51%的電池原型前50個循環的數據,實現 7.2% 的平均絕對百分比誤差(MAPE)循環壽命預測精度,展現出巨大應用潛力。在保守假設條件下,與工業級電池壽命驗證流程相比,DL可實現98%的評估時間節省和95%的能耗節省,將驗證周期從約1333天縮短至33天,能耗從8.523 MWh降低至0.468 MWh。該技術擺脫了對大量實驗數據和原型制作的依賴,大幅降低了時間與能源成本。
![]()
該論文在《Nature》封面推薦展示
此次與密歇根大學在《Nature》發表的研究成果,是雙方深耕合作的結晶。該研究成果解決了電池開發成本高昂的難題,為行業應對“可持續性困境”提供有效方案,將加速下一代電池的開發和部署,滿足電動汽車和電網儲能等領域對長壽命電池的需求。
![]()
左為研發副總裁姜蔚然,右為宋子由教授
作為綜合能源解決方案供應商,孚能科技始終以技術創新驅動電池技術可持續發展。公司建成通用度高、兼容性強的柔性制造平臺,具備高鎳三元、磷酸鐵鋰、鈉離子等多種材料體系,以及液態、固態等多種電池類型商業化交付能力。其采用自主研發與中外結合模式,以中、美、德三地研發中心為創新主體,與全球科研院所、知名企業長期戰略合作,保持技術持續領先。
孚能科技將繼續秉承創新驅動發展的理念,深化與國內外頂尖科研機構的合作與交流,不斷探索電池技術研發的新領域和新方向,共同開創電池技術的新未來。
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.