首届材料人奖得主再登Nature大子刊，聚焦电池与AI交叉研究

围绕电池与人工智能交叉领域，微软研究院Han Zhang，李钰琦（第一届材料人奖获得者，目前为斯坦福大学博士后），Shun Zheng、Jiang Bian等合作的最新研究成果发表在 Nature Machine Intelligence，题为《Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning》。本研究采用全新深度学习框架 BatLiNet，成功实现了在多样化老化条件下的电池寿命精准预测，展示了人工智能在储能技术领域的强大潜力。

深度学习，破解电池寿命预测困局

电池寿命预测是电池技术研究中的关键问题，特别是在电动汽车、可再生能源和储能设备等场景中尤为重要。然而，由于复杂老化条件（如循环协议、环境温度、电极材料等）与数据稀缺性，现有模型在实际应用中的预测准确性往往受限。

此次研究提出的 BatLiNet 模型通过结合“单电池学习”（intra-cell learning）和“跨电池学习”（inter-cell learning）两种机制，从根本上提升了复杂条件下的预测能力。模型通过目标电池与参考电池早期循环数据的对比，提取寿命差异特征，将传统电池研究中“单点突破”的方法拓展为多维度关联的全新范式。

成果亮点：精准、稳定、通用

精准预测： BatLiNet 在多个公开数据集上的误差降低超过 40%，展现了卓越的预测精度。

鲁棒性能： 即使面对复杂老化条件，模型仍保持出色的稳定性。

跨体系迁移： 模型实现了从磷酸铁锂（LFP）电池向三元（NMC）、钴酸锂（LCO）等稀缺体系的知识迁移，为低资源条件下的电池研究开辟了新路径。

多样化老化条件下的容量退化行为（图1）： 本研究覆盖了循环协议、环境温度、电极材料等多种变量，数据集全面超越以往研究。

BatLiNet 架构与核心工作流程（图2）： 模型通过单电池与跨电池特征学习，结合多个参考电池数据进行预测，确保了高精度与高鲁棒性。

性能对比与迁移能力（图3&图4）： 相较传统方法，BatLiNet 在预测误差和迁移性能上均大幅领先，标志着 AI 在电池领域的突破性进展。

BatLiNet 不仅是一种技术工具，更是 AI 与电池研究跨领域融合的桥梁。这一成果的发布，或将为能源存储领域带来深远影响，推动新一代智能储能系统的发展。

文献链接：https://www.nature.com/articles/s42256-024-00972-x