孚能科技 AI 预测电池寿命技术登《Nature》 验证周期缩至 33 天 节省 95% 能耗
时间:2026-02-05 来源:汽车供应商网 作者:资讯部
【汽车供应商网】2026 年 2 月 4 日,孚能科技研发副总裁姜蔚然与密歇根大学安娜堡分校宋子由教授合作领衔的研究团队,在国际顶级学术期刊《Nature》发表题为 “Discovery Learning predicts battery cycle life from minimal experiments” 的研究论文,该成果不仅获《Nature》封面推荐展示,更通过科学机器学习与 AI 技术的创新融合,为全球动力电池行业破解研发 “可持续性困境” 提供了革命性方案,为下一代电池技术的快速迭代注入新活力。
行业痛点:电池寿命评估成本高企,制约技术创新
动力电池研发过程中,新设计方案的寿命评估始终是核心瓶颈。传统评估方式需耗费大量时间与能源制作样品、开展全周期测试,高成本严重制约了技术创新的速度,形成了 “研发迭代需大量实验 — 实验消耗高能耗高时间 — 进一步限制迭代” 的 “可持续性困境”。同时,现有寿命预测方法高度依赖特定数据集,无法在电池样品原型制造前实现可靠预测,难以对研发方向形成快速反馈,极大影响了电池设计的迭代优化效率。
针对这一行业难题,研究团队创新性提出 **“发现学习(Discovery Learning, DL)” 科学机器学习方法 **。该方法受教育心理学启发,将主动学习、物理约束学习和零样本学习三大技术有机融合,构建了类人推理的闭环学习框架。
Learner(学习者):主动筛选最具信息量的测试样本,实现实验效率最大化;
Interpreter(解释器):通过物理约束学习构建通用、可解释的物理特征空间,有效缓解不同样本间的特征分布差异;
Oracle(预言机):执行零样本学习,基于构建的特征空间对选定样本进行初级推断,并将推断结果作为 “伪标签” 反馈给 Learner。
三大智能体循环迭代,直至满足预设终止条件,最终完成电池循环寿命的精准预测,彻底摆脱了对大量实验数据和原型制作的依赖。
严苛测试数据验证了 DL 技术的卓越性能与应用潜力:仅利用51% 的电池原型前 50 个循环的数据,该方法便实现了7.2% 的平均绝对百分比误差(MAPE) 循环寿命预测精度。
时间节省 98%:验证周期从约 1333 天大幅缩短至 33 天;
能耗节省 95%:验证过程能耗从 8.523 MWh 降至 0.468 MWh。
这一成果将从根本上降低动力电池研发的时间与能源成本,加速长寿命电池的开发与部署,有效满足电动汽车、电网储能等领域对高性能电池的迫切需求。
此次登刊《Nature》的研究成果,是孚能科技与密歇根大学长期深耕合作的重要结晶。作为全球综合能源解决方案供应商,孚能科技始终以技术创新驱动电池技术的可持续发展,在研发与生产端均构建了完善的体系:
生产方面,公司建成通用度高、兼容性强的柔性制造平台,具备高镍三元、磷酸铁锂、钠离子等多种材料体系,以及液态、固态等多种电池类型的商业化交付能力;研发方面,公司采用 “自主研发 + 中外结合” 的创新模式,以中国、美国、德国三地研发中心为核心,与全球顶尖科研院所、知名企业保持长期战略合作,持续巩固技术领先地位。
孚能科技研发副总裁姜蔚然与密歇根大学宋子由教授为该研究的联合领衔人,此次合作成果的落地,再次印证了公司在前沿技术研发领域的硬实力。
未来,孚能科技将继续秉承 “创新驱动发展” 的理念,深化与国内外顶尖科研机构的合作交流,持续探索动力电池技术研发的新领域、新方向,以 AI 与科学计算的融合创新,推动电池行业的技术变革,共同开创动力电池技术的新未来。
