孚能科技研发团队在《Nature》发布重磅研究：AI驱动电池寿命预测

　　2月4日，孚能科技研发副总裁姜蔚然与密歇根大学安娜堡分校教授宋子由合作领衔，在国际顶级学术期刊《Nature》发表题为“Discovery Learning predicts battery cycle life from minimal experiments”的研究论文。通过深度利用机器学习与AI突破，为全球动力电池行业的技术进步注入新活力。

　　电池研发长期面临评估新设计寿命成本高昂的难题，高时间与能耗成本严重制约技术创新，引发“可持续性困境”。现有寿命预测方法依赖特定数据集，在样品原型制造前难以可靠预测，限制了快速反馈与迭代优化。

　　在此背景下，该研究创新性地提出“发现学习（Discovery Learning, DL）”的科学机器学习方法。该方法受教育心理学启发，将主动学习、物理约束学习和零样本学习有机融合，构建类人推理闭环学习框架。对应这三类学习模块，DL定义了三个核心智能体：Learner、Interpreter 和 Oracle。在流程中，Learner主动选择最具信息量的测试样本，Interpreter利用物理约束学习构建通用可解释的物理特征空间，缓解特征分布差异，Oracle执行零样本学习，基于构建的特征空间对选定的测试样本进行初级推断，并将推断结果作为“伪标签”反馈给Learner。如此迭代，直至满足预设终止条件，最终完成整个预测流程。

　　测试中，DL技术利用51%的电池原型前50个循环的数据，实现 7.2% 的平均绝对百分比误差（MAPE）循环寿命预测精度，展现出巨大应用潜力。在保守假设条件下，与工业级电池寿命验证流程相比，DL可实现98%的评估时间节省和95%的能耗节省，将验证周期从约1333天缩短至33天，能耗从8.523 MWh降低至0.468 MWh。该技术摆脱了对大量实验数据和原型制作的依赖，大幅降低了时间与能源成本。

　　论文在《Nature》封面推荐展示

　　此次与密歇根大学在《Nature》发表的研究成果，是双方深耕合作的结晶。该研究成果解决了电池开发成本高昂的难题，为行业应对“可持续性困境”提供有效方案，将加速下一代电池的开发和部署，满足电动汽车和电网储能等领域对长寿命电池的需求。

　　作为综合能源解决方案供应商，孚能科技始终以技术创新驱动电池技术可持续发展。公司建成通用度高、兼容性强的柔性制造平台，具备高镍三元、磷酸铁锂、钠离子等多种材料体系，以及液态、固态等多种电池类型商业化交付能力。其采用自主研发与中外结合模式，以中、美、德三地研发中心为创新主体，与全球科研院所、知名企业长期战略合作，保持技术持续领先。

　　孚能科技将继续秉承创新驱动发展的理念，深化与国内外顶尖科研机构的合作与交流，不断探索电池技术研发的新领域和新方向，共同开创电池技术的新未来。