AI 解码锂金属电池衰减：对称电池诊断技术（SAID）的突破与应用

在全球可持续发展与储能技术革新的浪潮下，锂金属电池（LMB）凭借超高理论容量，成为延长电动车续航、稳定可再生能源利用的关键候选技术。然而，锂枝晶生长、界面不稳定性等问题导致的电池衰减，严重阻碍了其产业化进程。传统研究依赖耗时耗力的试错法，且全电池中正负电极的 “串扰效应” 让衰减机制的解析陷入困境。

本内容聚焦于《Advanced Materials》2025 年发表的创新性研究 —— 对称电池人工智能诊断技术（SAID）。该技术突破性地采用锂 - 锂对称电池构型，隔绝了阴极干扰，仅利用易获取的早期循环数据，通过基于循环神经网络（RNN）的机器学习模型，精准预测电池极化加速的关键节点（拐点 EP），测试平均绝对百分比误差仅 13.3%。

更核心的是，SAID 揭示了 “初始成核相关指纹”（T₁）对电池长期极化的决定性作用：初始成核势垒越低，电池衰减越慢。这一发现通过扫描电子显微镜（SEM）、原位电化学阻抗谱（EIS）等实验得到验证，且在含氟代碳酸乙烯酯（FEC）等不同电解液、多种正极材料（NMC622、NMC532、LFP）的全电池中均成立。研究还证实，电解液添加剂（如 FEC）可通过优化固体电解质界面（SEI）形成，降低成核势垒，显著提升电池稳定性。

SAID 不仅搭建了对称电池与全电池性能关联的桥梁，为锂金属电池的设计优化提供了明确方向，更开创了数据驱动的储能技术研究新范式，其低成本、高通用性的特点，有望推广至各类金属电极电池体系，推动储能领域的跨越式发展。