AI-driven closed-loop control of lithium plating in batteries
该论文介绍了 AI-LOMAC，这是一个由人工智能驱动的闭环框架，它集成了动态阻抗谱与视觉语言模型，能够提前五分钟检测到锂沉积的发生，并实时自主地缓解该问题，从而增强电池安全性、循环寿命以及在各种电芯形式上的可扩展性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
电池为我们的现代世界提供动力，从口袋里的智能手机到道路上的电动汽车，但它们也隐藏着一个威胁其安全性和寿命的隐患。在电池内部，电力的产生是通过锂离子在两个电极之间来回穿梭实现的。在正常情况下，这些离子会整齐地滑入电极材料的层间，就像书本滑入书架一样。然而，当电池充电过快、在寒冷天气下或超出其极限时，离子将无法再挤进内部。相反，它们会在表面堆积，形成一层金属锂。这种被称为“锂析出”（lithium plating）的现象是非常危险的。这种金属会生长成被称为“枝晶”（dendrites）的尖锐针状结构，刺穿内部隔膜，导致短路，进而引发火灾或爆炸。即使没有发生短路，这些析出的锂通常也会变得滞留且失去活性，从而永久性地降低电池容量。多年来，科学家们一直难以在足够早的时候检测到这种析出以阻止其发生，通常只能在损害已经造成之后才注意到问题。
一支研究团队现在推出了一种改变这一动态的新系统，实现了从“等待失效”到“实时预防”的转变。他们开发了一个名为 AI-LOMAC 的人工智能框架，它充当了电池的持续闭环守护者。与依赖固定规则（例如在达到特定电压时停止充电）的传统电池管理系统不同，这个新系统会实时监测电池的内部状态。它使用一种称为“动态阻抗谱”（dynamic impedance spectroscopy）的技术，通过向电池发送微小的、无害的电信号，来测量电极表面的行为情况。该系统专注于一个被称为“表面电容”（surface capacitance）的特定属性，当锂开始在负极上沉积时，该属性会发生细微变化。通过追踪这些变化，人工智能可以识别出锂析出即将开始的确切时刻，比任何肉眼可见的金属枝晶出现还要早五分钟以上。
一旦系统捕捉到早期预警信号，它并不仅仅是关闭电池。相反，它会采取立即的自主行动。人工智能会瞬间将充电电流降低到一个更低、更安全的速率。这种暂停让新形成的锂能够溶解并重新滑入电极层中，这一过程被称为“再嵌入”（re-intercalation），有效地在损伤变为永久性之前将其消除。研究人员在各种尺寸的电池上测试了这种方法，从研究用的小型硬币大小电池到用于储能系统的、大型的 314 安时叠片电池。在每种情况下，由人工智能驱动的系统都成功抑制了锂枝晶的生长。在对商用硬币电池进行的测试中，与不受监管的电池相比，该系统减少了 73% 的不活跃残留金属锂。此外，由该人工智能管理的电池在经历 100 次严苛快充循环后仍保留了 84% 的容量，而处于相同条件下的不受监管电池其容量下降速度要快得多。
这种方法的强大之处在于其“洞察不可见”的能力。利用专门制作的、允许研究人员通过光学显微镜直接观察电极表面的电池，他们证实了人工智能的预警信号在任何肉眼可见的锂出现之前就已经到达。在一项实验中，当电极表面仍然保持完美洁净时，系统就检测到了析出的开始并降低了电流。相比之下，没有这种干预的电池则产生了可见的锂簇，并最终变成了一层杂乱、失去活性的层。该系统被证明足够稳健，能够处理现实世界电池的复杂性，这些电池在尺寸、化学成分和寿命方面各不相同。它成功管理了从小型实验室电池到大型商业软包电池的一切情况，无需人工干预即可针对每种特定规格调整其检测和控制策略。
这项工作代表了电池安全性和寿命方面的重大进步，推动行业从被动应对转向主动保护。通过弥合瞬态电信号与即时物理控制之间的鸿沟，AI-LOMAC 框架证明了精确管理电池内部化学成分的可能性。研究人员验证了这种方法不仅在理论上可行，而且在多种电池类型以及快充、低温等苛刻条件下在实践中同样有效。虽然该系统目前专注于锂析出，但其底层架构暗示了一个未来：人工智能将作为电池管理的持续伙伴，能够从运行数据中学习以优化策略，甚至可能发现新的储能方式。就目前而言，其结果是一个切实的进步：电池变得更安全、寿命更长，并且可以在无需担心内部积累隐形损伤的情况下进行更快速的充电。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。