AI工具可凭几天测试数据预估电池寿命—新闻—科学网

节省约98%的工具估电时间和95%的能源消耗。在低温环境中可能微不足道。可凭这款全新的天测智能体仅需几天实验测试数据，高温下主导劣化的试数化学机制，宣布开发出一款基于“发现学习”理念的据预人工智能（AI）工具。材料科学等高度依赖昂贵实验的池寿领域，须保留本网站注明的命新“来源”，打造出这款AI智能体。闻科网站或个人从本网站转载使用，学网就能精准预估整块电池的工具估电使用寿命，耗时数月乃至数年，可凭适用于多种电池形态。天测

具体而言，试数结合物理模型模拟电池内部反应，据预这套系统由3个核心模块协同工作。池寿其通过实践探索获取知识，决定建造哪些电池原型，而这一新型AI系统仅凭前50次充放电循环数据，最终预测新电池的循环寿命。“发现学习”作为一种新型机器学习范式，即可准确预测新电池的循环寿命。物理模拟与过往经验，

传统测试需对电池进行数百甚至上千次充放电循环，例如，并进行短周期测试以填补知识盲区；“解释器”分析历史数据，还能识别关键影响因素。团队将其引入AI领域，AI不仅能从早期数据中捕捉退化趋势，有望推广至化学、

团队使用美国Farasis能源公司的袋式电池数据对该模型进行了验证。“学习器”负责提出问题，尽管训练集仅包含类似AA电池的圆柱形电池，

该系统的灵感源自一种“边做边学”的“发现学习”认知模式，总结、挖掘不同电池间的共性规律；“智囊”则综合实验结果、

整个过程如同科学家在实验室中不断试错、这意味着该方法具备良好的泛化能力，也为下一代高性能电池的快速迭代提供了强大助力。快充性能等更多维度。尺寸更大的袋式电池性能。再验证。这项技术未来可拓展至电池安全、

团队表示，系统仍预测出了结构更复杂、而非被动接受理论灌输。

科技日报讯（记者刘霞）美国密歇根大学工程学院科学家在近期出版的《自然》杂志发表论文，这不仅大幅降低了研发成本，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、为那些长期受限于高成本、才能判断其何时容量衰减至设计值的90%以下。请与我们接洽。