从提示到协议：利用大型语言模型实现电池快速充电
机器学习
2026-01-15 v1 人工智能
系统与控制
系统与控制
摘要
高效优化电池充电协议具有挑战性，因为每次评估都缓慢、昂贵且不可微。许多现有方法通过严格约束协议搜索空间来解决这一困难，但这限制了可探索协议的多样性，阻碍了更高性能解决方案的发现。我们引入了两种无梯度、由 LLM 驱动的闭环方法：从提示到优化器（P2O），它使用 LLM 提出基于小型神经网络的协议代码，然后由内部循环进行训练；以及从提示到协议（P2P），它直接为电流及其标量参数编写一个显式函数。在我们的案例研究中，LLM 引导的 P2O 优于由贝叶斯优化、进化算法和随机搜索设计的神经网络。在一个现实的快速充电场景中，P2O 和 P2P 在健康状态（快速充电循环下基于容量保持率的健康度量）上均比最先进的多步恒流（CC）基线提高了约 4.2%，其中 P2P 在匹配的评估预算（相同数量的协议评估）下实现了这一目标。这些结果表明，LLM 能够扩展协议函数形式的搜索空间，纳入基于语言的约束，并在高成本实验环境中实现高效优化。
引用
@article{arxiv.2601.09626,
title = {From Prompt to Protocol: Fast Charging Batteries with Large Language Models},
author = {Ge Lei and Ferran Brosa Planella and Sterling G. Baird and Samuel J. Cooper},
journal= {arXiv preprint arXiv:2601.09626},
year = {2026}
}