发现学习加速电池设计评估

对电池等复杂物理系统中的新型设计进行快速可靠的验证，对于加速技术创新至关重要。然而，电池研发仍然受限于评估众多新设计方案所需的高昂时间和能源成本，尤其是在电池原型制作和寿命测试方面。尽管数据驱动的电池寿命预测近期取得了进展，但现有方法需要目标设计的标注数据来提高准确性，并且在原型制作完成之前无法做出可靠预测，因此远未达到为电池设计提供快速反馈所需的效率。在此，我们引入发现学习（Discovery Learning, DL），这是一种科学机器学习范式，它将主动学习、物理引导学习和零样本学习整合到一个类人的推理循环中，其灵感来源于教育心理学中的学习理论。DL能够从历史电池设计中学习，并主动减少对原型制作的需求，从而在无需额外数据标注的情况下，实现对未见过的材料-设计组合的快速寿命评估。为测试DL，我们展示了123个工业级大尺寸锂离子软包电池，涵盖八种材料-设计组合和多种循环协议。仅在小容量圆柱形电池的公开数据集上进行训练，DL在预测未知设备变异性下的平均循环寿命时，测试误差为7.2%。与工业实践相比，这节省了98%的时间和95%的能量。这项工作凸显了从历史设计中发掘洞见，以指导和加速下一代电池技术开发的潜力。DL代表了向高效数据驱动建模迈出的关键一步，并有助于实现机器学习加速科学发现和工程创新的承诺。