开发长寿命电池对满足电动汽车与电网储能的日益增长需求至关重要。然而，当前电池研发面临显著的效率瓶颈：评估新设计寿命的传统方法耗时极长、能耗巨大，且通常需要基于大量实验数据才能做出可靠预测，这严重限制了快速迭代与反馈的可能性。此外，电池原型制造与寿命测试伴随着可观的温室气体排放，形成了一个“可持续性困境”——即推动可持续能源的电池技术本身可能因高资源消耗而不可持续。因此，亟需一种能显著降低实验成本、提升预测效率的新方法，以加速电池创新并缓解该困境。
2026年2月4日，密歇根大学（新加坡国立大学）宋子由及孚能科技（美国）公司Weiran Jiang等研究者在Nature上发表了题为“Discovery Learning predicts battery cycle life from minimal experiments”的研究论文，提出了一种名为“Discovery Learning”的科学机器学习方法，其灵感来源于教育心理学中的发现学习理论，通过融合主动学习（active learning）、物理约束学习（physics-guided learning）和零样本学习（zero-shot learning），构建了一个类似人类推理过程的迭代推理循环。该方法能够从历史电池设计数据中学习，并大幅减少对新原型实验的依赖，从而仅基于极少实验（如前50次等效全循环）即可预测新电池设计的循环寿命。研究使用了一个包含123个大型锂离子软包电池的工业级数据集进行验证，结果表明，仅基于51%的电池原型数据，该方法便能以7.2%的平均绝对百分比误差预测循环寿命。在保守假设下，相较于传统工业验证方法，Discovery Learning 可以节省98%的时间与95%的能耗。这标志着在电池寿命预测领域向更高效、更环保的研发模式迈出了关键一步。
图1、Discovery Learning的基本框架Copyright 2026 Springer Nature
图2、工业级大型电池老化数据及其他公共电池数据集的概况Copyright 2026 Springer Nature
图3、开环Discovery Learning（即无学习者反馈循环）的预测结果及其物理特征重要性分析Copyright 2026 Springer Nature
图4、闭环Discovery Learning（包含学习者）与传统主动学习循环的差异，并展示了其闭环预测性能Copyright 2026 Springer Nature
综上所述，该研究成功证明了Discovery Learning在仅需极少实验的情况下预测电池循环寿命的有效性。该方法不仅可以整合先进制造与高通量测试以加速下一代电池设计，在具备合适历史数据的情况下，还具有潜力扩展至其他电池性能指标（如安全性、快充能力）的预测。更重要的是，Discovery Learning代表了AI4Science领域的一项概念性进展，它通过大幅降低与早期预测因子或闭环实验相关的实验成本，有望克服现有AI引导的闭环优化策略的局限。展望未来，该方法有望在更广泛的科学发现过程中实现其潜力。
文献链接：
https://www.nature.com/articles/s41586-025-09951-7
本文由小艺供稿。
如果您希望开展计算工作，苦于没有合适的计算人才，也可以联系我们。5年以来，我们与入驻材料人平台的300余位计算顾问一起，共同服务了超过5000位客户，涵盖了包括VASP在内的多款软件以及第一性原理、分子动力学、有限元等领域。
