面向不同配置的锂离子电池多物理场预测的可扩展神经捆绑图

高效准确地预测跨越不同电池几何形态的多物理场演化，对于电池的设计、管理与安全至关重要。然而，现有计算框架难以捕捉跨越多种电池几何形态和不同运行条件下，耦合的电化学、热力学和力学动力学。本文提出了一种神经捆绑图（Neural Bundle Map, NBM），这是一种具有数学严谨性的框架，将多物理场演化重新表述为几何基流形上的捆绑图。该方法使几何复杂度与底层物理规律完全解耦，确保在不同域之间保持强算子连续性。我们的框架在不同配置下实现了小于1%的归一化平均绝对误差的高保真时空预测，同时在训练窗口之外保持稳定性，计算成本比传统求解器降低两个数量级。基于此能力，我们快速探索了广大的配置空间，识别出一种在热安全约束下实现能量密度提升38%的优化电池设计。此外，NBM通过few-shot迁移学习展现出对多电池系统的显著可扩展性，为复杂能源存储基础设施的智能设计和实时监控提供了基础范式。