「Discovery Learning predicts battery cycle life from minimal experiments.pdf」

文献信息 

• 原文标题: Discovery Learning predicts battery cycle life from minimal experiments • 发表日期: 2026年2月 (Published online: 4 February 2026) • 期刊/来源: Nature • DOI链接: https://doi.org/10.1038/s41586-025-09951-7

密歇根大学&孚能科技：基于物理特征的电池寿命零样本预测新范式

这篇论文提出了一种像人类科学家一样思考的发现学习AI框架，它能利用旧的、不同型号电池的公开数据，结合物理模型，只通过测试少量新电池的前50个循环，就能极其准确地预测出新电池的完整寿命，省去了数月的测试时间。在新能源电池研发中，寿命验证的长周期与技术迭代的快节奏是当前最核心的痛点，即所谓的可持续性困境。 本文的关键突破在于打破了传统数据驱动方法对同分布大数据的依赖。作者巧妙地构建了解释器（Interpreter）- 预言家（Oracle）- 学习者（Learner）铁三角框架，利用物理电化学模型（P2D）提取的通用物理特征作为桥梁，实现了从公开的小圆柱电池数据到工业级大软包电池的跨尺度、跨体系零样本迁移预测。 该方法在工程上极具价值，能将验证周期缩短98%，显著降低研发能耗。但其局限性在于对物理模型（如P2D）的依赖，若新体系电池的衰减机理超出了现有物理模型的描述范围（如新型固态电解质界面反应），预测精度可能会受限。