Predictive parametric inference of lithium-ion battery degradation trajectory through high-throughput physics-based simulation

电池是现代生活的无声心跳，为从口袋里的智能手机到道路上的电动汽车的一切事物提供动力。然而，就像任何生命系统一样，它们也会老化。随着时间的推移，锂离子电池内部的化学物质会缓慢降解，失去保持电荷的能力，直到设备最终失效。准确预测何时会发生这种情况是工程师和科学家面临的一个关键挑战。如果我们能够准确预测电池的寿命，我们就能设计出更安全的电动汽车并更高效地管理能源网。问题在于，电池是复杂的化学系统，而在现实生活中观察它们的衰老需要经过数年缓慢且昂贵的测试。试图模拟这些化学过程的传统计算机模型虽然极其详尽，但由于运行速度太慢，想要通过运行成千上万次来找到正确答案在实际操作中几乎是不可能的。

来自香港理工大学及其他机构的研究团队发现了一种方法，可以在不损失理解电池内部情况所需的科学严谨性的情况下，加速这一过程。他们开发了一种新方法，将支配电池化学的深层物理定律与现代人工智能的速度相结合。他们没有每次都需要进行预测时都运行缓慢、沉重的模拟，而是训练了一个聪明的计算机程序，使其充当这些模拟的“快进版”。该程序通过学习由那些缓慢、详尽的模型生成的数千个示例，掌握了电池老化的模式。一旦训练完成，这个“模拟器”就能根据电池的内部化学设置，瞬间预测其如何降解。研究人员随后利用这个快速工具进行逆向推导：通过观察电池早期的性能，他们可以推断出驱动其老化的隐藏化学参数，并以此高精度地预测其整个未来的寿命。

这项工作的核心解决了电池科学中的一个根本性难题：我们无法在电池使用过程中轻松测量导致其死亡的具体化学速率。我们可以看到电池容量的下降，但无法直接看到引起这种损失的微观反应，例如电极上保护层的堆积或不希望出现的锂沉积。由于我们无法直接测量这些，科学家通常不得不猜测这些隐藏参数的值，以使他们的模型与现实相匹配。这是一个困难的谜题，因为许多不同的隐藏参数组合可能会产生相同的可见结果，从而难以确定哪一个是正确的。研究人员通过创建一个庞大的可能电池行为库来解决这个问题。他们使用了一个详细的基于物理的模型，来模拟在数千种不同场景下电池如何老化，其中改变了控制降解的六个关键化学因素。这些因素包括保护层生长的速度、锂金属在电极上沉积的速度，以及电极材料发生裂纹或失去储能能力的速度。

通过这些数千次模拟，研究人员训练了一个神经网络（一种人工智能类型），让它学习这些隐藏化学因素与最终老化曲线之间的关系。可以将这个神经网络想象成一个高技能的翻译官，能够瞬间将一组化学设置转换为预测的电池寿命。一旦这个翻译官建成，它可以在几秒钟内评估数百万种可能性，而如果使用原始的缓慢模拟方法，这项任务将耗时数年。研究人员随后将这一工具应用于同济大学测试的真实世界电池数据。他们提取了这些电池的实际老化曲线，并利用其快速模拟器找到了最符合真实行为的隐藏化学参数集。通过使用一种考虑了电池工作物理约束的统计方法，他们能够将可能性缩小到每块电池特定老化模式最可能的诱因。

这项方法的真正考验在于，当研究人员仅利用电池生命中极小的一部分时间来预测其未来时。在许多现实场景中，我们对一块新电池只有几个月的数据，却需要知道它在未来十年内的表现如何。团队将电池生命的前 5% 到 15%（对应于电池仍接近满电状态的时期）输入系统。随后，系统推断出驱动该早期老化的隐藏化学参数，并使用其快速模拟器来投影剩余的电池寿命。结果令人瞩目。在预测电池在循环多少次后会降至原始容量的 80% 时，他们的基于物理的方法平均误差仅为 59 个循环。相比之下，依赖纯粹数据模式而不理解底层物理规律的最佳现有数据驱动方法，其误差接近 80 个循环。当研究人员尝试仅凭电池生命的前 5% 来预测未来时——在这种数据极其匮乏的情况下——这种差距变得更加显著。

研究还表明，该方法不仅准确，而且符合物理逻辑。当研究人员观察系统为不同温度下测试的电池推断出的参数时，结果与科学家已知的电池化学知识相吻合。例如，系统正确识别出高温会导致保护层生长加快以及锂行为的变化，这些都是已知的物理效应。它还显示，电极材料的损伤（通常发生在电池寿命后期）在高温组中并不显著，这与那些电池在后期寿命较长的观察结果一致。这种一致性表明，该系统不仅仅是在记忆数据，而且实际上是在学习电池降解的底层规则。

尽管该方法展现了巨大的潜力，但研究人员也谨慎地指出了其局限性。预测的准确性完全取决于初始模拟库对现实世界的覆盖程度。如果某种电池的降解方式未包含在他们的训练模拟中，系统可能无法对其进行正确预测。他们观察到，在某一特定组别的低温测试电池中，模拟结果并未完美匹配现实数据中观察到的加速衰减现象，这表明模型中遗漏了一些降解路径。然而，该框架提供了一条强大的新路径。通过将繁重的计算工作转移到生成模拟的“离线阶段”，该系统实现了以往无法实现的、针对电池健康状况的高速分析。这种方法提供了一种弥合缓慢、详尽的物理理解与现代电池管理中快速、数据密集需求之间鸿沟的方式，有望帮助工程师设计出更持久的电池，并让用户更清晰地了解其设备的剩余寿命。