2月4日，孚能科技研發(fā)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(fā)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(yè)的技術進步注入新活力。

電池研發(fā)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(chuàng)新，引發(fā)“可持續(xù)性困境”?，F(xiàn)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(yōu)化。

在此背景下，該研究創(chuàng)新性地提出“發(fā)現(xiàn)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(fā)，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(huán)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(zhí)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(huán)的數據，實現(xiàn) 7.2% 的平均絕對百分比誤差（MAPE）循環(huán)壽命預測精度，展現(xiàn)出巨大應用潛力。在保守假設條件下，與工業(yè)級電池壽命驗證流程相比，DL可實現(xiàn)98%的評估時間節(jié)省和95%的能耗節(jié)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(fā)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(fā)成本高昂的難題，為行業(yè)應對“可持續(xù)性困境”提供有效方案，將加速下一代電池的開發(fā)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(fā)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(chuàng)新驅動電池技術可持續(xù)發(fā)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(tài)、固態(tài)等多種電池類型商業(yè)化交付能力。其采用自主研發(fā)與中外結合模式，以中、美、德三地研發(fā)中心為創(chuàng)新主體，與全球科研院所、知名企業(yè)長期戰(zhàn)略合作，保持技術持續(xù)領先。

孚能科技將繼續(xù)秉承創(chuàng)新驅動發(fā)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(fā)的新領域和新方向，共同開創(chuàng)電池技術的新未來。