在电池等复杂物理系统中，对新设计进行快速且可靠的验证是加速技术创新的关键。
然而，电池研发长期受制于评估新设计寿命所需的高时间成本和高能耗成本。
尤其值得注意的是，现有寿命预测方法通常依赖于包含目标设计寿命标注的数据集以提升预测精度，且在样品原型制造之前难以给出可靠预测，从而严重限制了快速反馈与迭代优化。
在此，来自
孚能科技美国公司的Weiran Jiang、密歇根大学&新加坡国立大学的宋子由等研究者提出了一种名为Discovery Learning（发现式学习） 的科学机器学习方法。该方法受教育心理学启发，将主动学习（active learning）、
物理约束学习（physics-guided learning）和零样本学习（zero-shot learning）有机融合，构建了一个类似人类推理过程的闭环学习框架。相关论文以题为“Discovery Learning predicts battery cycle life from minimal experiments”
发表在Nature上。
开发长寿命电池是满足电动汽车和电网储能需求增长的关键，但对大量新型电池设计进行寿命评估通常需要数年测试，且原型制备与寿命实验能耗巨大、碳排放显著，严重制约电池技术创新，甚至引发“可持续性困境”。
高效、准确的电池寿命预测为设计阶段提供了重要捷径。现有方法主要包括物理模型与数据驱动模型：前者受限于电池衰退机理认识不完整，后者虽不依赖具体机理，但往往需要针对新设计开展额外衰退实验，难以充分利用历史数据，且在原型制备前难以可靠预测，在大规模设计空间中效率尤为不足。受高昂的训练成本和推理阶段的时间与能耗开销限制，现有方法难以支撑快速电池创新。
作为“
科学人工智能（AI For Science）”的典型问题，电池寿命预测还面临两大核心挑战：其一是寿命标签获取成本高、周期长的“数据不可负担性”；其二是训练与测试数据分布不一致导致的“分布偏移”。现有研究表明，当前方法仍难以同时有效应对这两项挑战。
为了实现快速且可靠的科学预测，理想的机器学习（ML）工作流应在保证高预测精度的同时，将训练与推理阶段所需的实验成本降至最低。
研究者提出，一条有效的指导原则——
即利用零成本的历史电池数据进行学习，通过对未标注测试样本进行智能查询并实现可靠预测——能够同时降低训练与推理成本，从而显著提升科学预测的整体效率。
在这一框架下，模型预测值（如预测的循环寿命）可在一定条件下替代实验测量值（实测循环寿命），用于为主动学习过程提供反馈。
通过系统分析人类学习过程及其高效性的内在机制，研究者发现教育心理学中的学习理论恰好揭示了这一理想的指导原则。
具体而言，本研究受到 Bruner 于 20 世纪 60 年代提出的发现式学习理论（discovery learning
） 的启发，该理论强调在既有知识和过往经验支撑下，通过探究式学习不断形成新认知。
进一步而言，人类推理效率的核心并非完全依赖直接观察，而在于能够基于已有推断生成新的推断结果。
在本研究中，“测试样本”指的是此前未被观测过的电极材料组合、电池结构设计及循环工况；“历史电池数据”则指来源于公开数据库的、已被充分研究的电极材料与电芯设计及其对应的、带有循环寿命标注的衰退数据。
循环寿命定义为电池在容量衰减至初始容量的 90% 之前所能提供的等效完全充放电循环次数（equivalent full cycles, EFCs）。
基于上述思想，研究者提出 Discovery Learning（发现式学习），一种灵活且可扩展的科学机器学习方法，该方法以类人推理方式，将主动学习、
物理约束学习和零样本学习有机融合到一个迭代式、序贯式的推理流程中（图 1）。对应这三类学习模块，Discovery Learning 定义了三个核心智能体（agent）：
Learner、Interpreter 和 Oracle。
Discovery Learning 的流程始于 Learner 在无任何标签信息的情况下，主动选择最具信息量的测试样本。随后，Interpreter 利用物理约束学习构建一个通用且可解释的物理特征空间，以缓解历史电池与未知电池之间的特征分布差异。
接着，Oracle 执行零样本学习，即仅依赖历史电池数据而无需额外开展寿命衰退实验。具体而言，Oracle 基于 Interpreter 构建的特征空间，对选定的测试样本进行初级推断，并将推断结果作为“
伪标签（pseudo labels）”反馈给 Learner。
这里的伪标签指的是通过物理约束学习与零样本学习获得的循环寿命预测值。
Learner 在学习这些伪标签后，进一步利用主动学习策略筛选信息量更高的样本，并将其传递给 Interpreter 进入下一轮推理。评估样本信息量的一种常见策略，是选择模型预测不确定性最高的样本。该迭代式、序贯推理闭环将持续运行，直至满足预设终止条件，例如达到指定迭代次数或预测不确定性阈值。最终，Learner 对剩余未被选取的样本执行二次推断，完成整个预测流程。
在本
文中，研究者将 Discovery Learning 应用于在未知器件个体差异（device variability）条件下，对此前未观测过的电池设计进行循环寿命预测。
该方法无需开展新的寿命衰退实验以获取标签数据，且仅需显著减少原型制备工作量，即可提取早期的物理特征（具体实现细节见 Methods）。
研究结果表明，Discovery Learning 仅利用 51% 电芯原型在前 50 次等效完全充放电循环（EFCs）中获得的信息，即可在此前未观测、且器件差异未知的电池设计上，实现 7.2% 的平均绝对百分比误差（MAPE） 的循环寿命预测精度。
需要强调的是，该预测精度是在零样本（zero-shot
）条件下取得的，不仅超过了针对已充分研究电池设计所报道的代表性成果，而且显著优于当前最先进的少样本（few-shot）寿命预测方法。
在保守假设条件下，与工业级电池寿命验证流程相比，Discovery Learning 可实现 98% 的评估时间节省和 95% 的能耗节省：即将验证周期从约1,333 天缩短至 33 天，能耗
从 8.523 MWh 降低至 0.468 MWh。
总体而言，Discovery Learning 实现了对电池寿命的快速验证，并为电池设计提供了高效且准确的反馈机制，为加速电池技术创新、缓解电池研发中的“可持续性困境”提供了一条极具前景的路径。
图1 发现学习。
图2 工业级大格式电池老化数据和其他公共电池数据集概述。
图3 在没有学习者的情况下，从解释器和Oracle进行开环发现学习的结果。
图4 学习者处于闭环的发现学习的结果。
综上所述，本研究成功验证了Discovery Learning 在仅依赖极少实验数据条件下预测电池循环寿命的有效性。进一步而言，Discovery Learning 可与先进制造技术及高通量测试手段相结合，有望进一步加速下一代电池的设计与开发。在具备合适历史数据集的前提下，该方法还有望拓展至其他关键电池性能指标的预测，如安全性与快充能力。
除电池设计本身外，电池技术的成功应用同样依赖于电池管理等相关领域的协同进步。如何将Discovery Learning 拓展至这些应用场景，仍有待进一步深入研究。
从更广泛的视角来看，Discovery Learning 在 科学人工智能（AI4Science） 领域代表了一种重要的概念性进展，其通过显著降低早期预测或闭环实验中的实验成本，有潜力突破现有 AI 引导闭环优化策略的效率瓶颈。
研究者期待Discovery Learning 在这一方向上的潜力得到进一步释放与验证。
Zhang, J., Zhang, Y., Yi, B. et al. Discovery Learning predicts battery cycle life from minimal experiments. Nature
650, 110–115 (2026). https://doi.org/10.1038/s41586-025-09951-7
原文链接：https://www.nature.com/articles/s41586-025-09951-7
