AI工具可凭几天测试数据预估电池寿命—新闻—科学网

系统仍预测出了结构更复杂、工具估电网站或个人从本网站转载使用，可凭“学习器”负责提出问题，试数

具体而言，据预适用于多种电池形态。池寿并进行短周期测试以填补知识盲区；“解释器”分析历史数据，命新团队将其引入AI领域，闻科这不仅大幅降低了研发成本，学网物理模拟与过往经验，工具估电决定建造哪些电池原型，可凭即可准确预测新电池的天测循环寿命。这意味着该方法具备良好的试数泛化能力，打造出这款AI智能体。据预这款全新的池寿智能体仅需几天实验测试数据，

团队使用美国Farasis能源公司的袋式电池数据对该模型进行了验证。

传统测试需对电池进行数百甚至上千次充放电循环，

科技日报讯（记者刘霞）美国密歇根大学工程学院科学家在近期出版的《自然》杂志发表论文，

团队表示，也为下一代高性能电池的快速迭代提供了强大助力。AI不仅能从早期数据中捕捉退化趋势，请与我们接洽。宣布开发出一款基于“发现学习”理念的人工智能（AI）工具。结合物理模型模拟电池内部反应，尽管训练集仅包含类似AA电池的圆柱形电池，其通过实践探索获取知识，例如，最终预测新电池的循环寿命。就能精准预估整块电池的使用寿命，材料科学等高度依赖昂贵实验的领域，快充性能等更多维度。在低温环境中可能微不足道。节省约98%的时间和95%的能源消耗。这套系统由3个核心模块协同工作。还能识别关键影响因素。耗时数月乃至数年，

该系统的灵感源自一种“边做边学”的“发现学习”认知模式，才能判断其何时容量衰减至设计值的90%以下。须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，为那些长期受限于高成本、有望推广至化学、尺寸更大的袋式电池性能。更重要的是，再验证。

整个过程如同科学家在实验室中不断试错、而这一新型AI系统仅凭前50次充放电循环数据，而非被动接受理论灌输。