0
0大家好，欢迎收听本期播客！今天我们聚焦一个能改写锂离子电池研发与应用规则的技术 —— 参数嵌入傅里叶神经算子（PE-FNO）。
不管是电动汽车的快充优化、电网储能的安全监控，还是电池设计实验的效率提升，都离不开精准且快速的电池仿真。但传统物理模型如 DFN，即便用最快的求解器，每周期也要 3-115 毫秒，根本满足不了实时决策需求；而纯数据驱动模型又容易 “脱离物理规律”，泛化能力差。
来自亚琛工业大学和帝国理工学院的团队，提出了一种全新的解决方案：将物理知识嵌入机器学习的神经算子模型。他们对比了 DeepONet、FNO 和全新的 PE-FNO 三种架构，还加入了 U-Net 作为传统基线。结果令人惊艳 ——PE-FNO 能同时适配恒定电流、三角波、脉冲序列等多种复杂负载，覆盖 0-100% 的全荷电状态，还能灵活应对不同颗粒半径和扩散系数。
它的核心优势的是 “快且准”：比 16 线程的 SPM 求解器快 200 倍，浓度误差低于 1%，电压平均绝对误差不到 3.4 毫伏，而且不用重新训练就能适配不同网格分辨率。更重要的是，它在参数估计任务中表现亮眼，能精准反推电池正负极的扩散系数，为实时电池管理、大规模实验设计铺平了道路。
本期播客，我们将拆解 PE-FNO 的技术原理、对比不同模型的优劣，还会探讨它如何解决 “速度、精度、泛化性” 这三大行业痛点，以及未来在电池数字孪生领域的应用潜力。无论你是新能源行业从业者、AI 技术爱好者，还是关注科技落地的听众，都能从这场 “物理与 AI 的跨界融合” 中获得启发！
