预训练电池变换器 (PBT)：通用电池寿命预测的基础模型

早期预测电池循环寿命对于提高电池设计、制造和部署至关重要。然而，尽管机器学习取得了令人鼓舞的成果，但由于数据稀缺以及电池化学、规格、形成程序和运行条件之间的数据异构性，进展仍受限。虽然transfer learning（迁移学习）已被广泛探索以缓解这些挑战，但其有效性受限于缺乏能从多样化电池寿命数据中捕捉广泛可迁移知识的基础模型。本论文提出了一种新的方法，旨在弥补这一差距。由于在数据稀缺条件下对异构电池数据集进行整合本质上具有挑战性，因此本文引入了预训练电池变换器 (PBT)，这是一种用于电池寿命预测的基础模型，通过融合包含电池知识的混合专家层，从异构数据中学习可迁移的表征。PBT 在13个锂离子电池数据集上进行预训练，随后通过迁移学习适应下游电池寿命预测任务。在覆盖锂离子、钠离子和锌离子电池、涵盖977个电池和533组老化条件的15个数据集上，PBT 实现了最先进的性能，平均超过最强竞争方法21.8%，最高提升86.9%。本研究首次建立了电池寿命预测的基础模型，为通用电池寿命预测系统提供了可扩展的路径，具有更广泛的意义，适用于数据稀缺和异构的其他科学与技术领域。