你是否好奇，电动车电池的续航上限，为何长期受限于漫长的寿命测试？《Nature》最新研究给出了答案 —— 发现学习（Discovery Learning）！这项融合主动学习、物理引导学习与零样本学习的科学机器学习方法，正在颠覆传统电池研发模式。 本期播客将带你深入了解：发现学习如何从教育心理学汲取灵感，通过 “学习者 - 解释者 - 预言者” 的拟人化闭环，仅用 51% 的电池原型和前 50 次循环数据，就实现 7.2% 的寿命预测误差；它如何破解 “数据贵”“分布偏移” 两大行业痛点，让未量产的电池设计提前 “预判” 续航；更能省下 98% 的测试时间和 95% 的能源消耗，破解 “为可持续研发却不可持续” 的困境。 无论是新能源行业从业者、AI 技术爱好者，还是关注科技突破的你，都能在这期内容中，读懂发现学习如何为电池创新按下 “加速键”，见证 AI4Science 领域的又一重磅突破！

电化学作为能源存储、催化反应等领域的核心基础，长期面临实验观测与理论建模脱节的困境——传统方法要么依赖经验拟合，要么陷入“黑箱”式数据驱动，难以兼顾物理可解释性与优化效率。而《微分电化学：表征电化学系统物理定律的新范式》这一前沿研究，正式提出了融合物理机理与微分计算的“第五范式”，为解决这一痛点提供了革命性方案。本播客将带您深入解读这一突破性框架：从科学建模的四次范式演进切入，剖析传统Tafel分析、Nicholson方法的固有局限；详解微分电化学如何通过自动微分实现“端到端可微分模拟”，让梯度优化贯穿整个计算流程；聚焦其在铁离子 redox 耦合反应、锂金属电池沉积/剥离机理识别、原位X射线数据分析三大场景的实战应用，展现其在参数提取精度、计算效率上的量级提升。无论您是电化学领域的科研工作者、能源行业的技术研发人员，还是对前沿交叉学科感兴趣的科普爱好者，都能在本期内容中get到：微分电化学如何搭建实验与理论的“信息高速公路”，以及它为下一代电池、电催化技术带来的创新可能。

这档播客聚焦前沿跨学科技术 —— 图知情神经网络（GINNs），深度拆解其 “深度学习 + 概率图模型” 的混合架构核心。我们将从多尺度物理仿真的核心痛点切入，解释为何传统物理模型面临计算成本高、数据生成难的双重困境，以及 GINNs 如何通过结构化先验融入领域知识，精准规避非物理预测。 节目中会结合超级电容器这一真实能源存储应用场景，用通俗语言解读贝叶斯网络（BN）与偏微分方程（PDE）的融合逻辑，展示 GINNs 如何替换计算瓶颈、实现数量级效率提升。我们还会对比 GINNs 与物理知情神经网络（PINNs）、图神经网络（GNNs）的核心差异，拆解其数据生成、模型训练、不确定性量化的完整 workflow，让技术爱好者、工程师和科研人员都能 get 到这一技术的创新价值与应用潜力。 最后，我们会探讨 GINNs 在非高斯分布量化、多物理场耦合等场景的突破，以及未来在能源、材料等领域的拓展方向，带你看懂 AI 如何为复杂物理系统仿真 “降本增效”。

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。

锂离子电池的热安全是电动车、储能系统的核心痛点 —— 最佳工作温度仅 20~40℃，超温易致性能衰减甚至热失控。但传感器部署受空间、成本限制，传统预测方法要么参数复杂、要么依赖海量数据。 研究人员提出的物理信息神经网络（PINN）方案，巧妙融合物理建模与深度学习，无需温度传感器就能实时监测电池全域温度分布。模型嵌入热传导方程与产热率模型，经 50Ah 方形锂电池验证，在恒流、动态工况下预测误差均低于 0.9℃，还能重构三维温度场，精度远超 MLP、LSTM 传统模型。 这项技术突破传感器局限，为电池热失控预警、热管理优化提供了低成本解决方案，有望推动新能源设备安全升级。

锂电池的开路电压滞回现象，是影响电池管理系统（BMS）精准估算剩余电量（SOC）的关键难题 —— 其电压不仅取决于当前电量，还受充放电历史影响，且不同电极材料的滞回特性差异显著。传统模型要么仅停留在现象描述，要么计算成本过高，难以适配 BMS 实际应用。 本文提出的概率分布等效电路模型（PD-ECM），首次将滞回现象的物理原理融入等效电路设计。通过将电池容量分配为多组并联支路，结合非单调开路电位曲线与电阻分布特性，既实现了对锂铁磷酸盐（LFP）等材料一阶相变滞回行为的精准模拟，又能天然纳入速率性能的路径依赖性，且保持较低计算成本，具备实时应用潜力。 实验验证显示，该模型在慢速率全循环、部分循环及速率性能路径依赖性测试中表现优异，能精准复现电压过渡特性与极化差异，相比传统单状态滞回模型，在动态工况下的电压预测精度更具优势。尽管模型参数化难度较高、对部分材料适用性有限，但为锂电池 BMS 的精准建模提供了全新思路，对电动车辆、储能系统的安全高效运行具有重要意义。

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！

你是否好奇手机电池的寿命如何精准预测？燃料电池的效率怎样优化？这些答案，都藏在电化学阻抗光谱（EIS）的数据分析中。而弛豫时间分布（DRT）方法，作为突破传统模型依赖的非参数化工具，正在彻底改变 EIS 分析的游戏规则。 本播客将带你走进 DRT 的世界：从基础原理出发，解读它如何跳过复杂等效电路，直接从数据中提取电化学过程的核心信息；探讨它在电池、燃料电池、电解器等领域的实战应用，以及当前面临的解卷积难题、峰值归因挑战。我们还会结合全球研究者 survey 结果，聊聊行业最迫切的需求 —— 自动化分析、标准化基准、开源生态建设，以及 AI 与 DRT 结合的未来可能性。 无论你是电化学领域的科研人员、新能源产业的工程师，还是对前沿技术充满好奇的科普爱好者，都能在本期内容中 get 到 DRT 方法的核心价值与发展脉络，见证这项技术如何从实验室走向更广泛的应用场景。

当新能源汽车、储能电站成为生活常态，锂电池的 “锂资源稀缺” 困境逐渐显现。而钠离子电池凭借钠资源丰富、安全性高的优势，正成为最具潜力的替代方案 —— 但它的寿命预测技术却远远落后于锂电池。 本期播客，我们将带你走进钠离子电池的 “寿命密码” 世界：为什么锂电池的研究成果能给钠离子电池 “指路”？迁移学习如何成为跨电池领域的 “知识桥梁”？科学家研发的 Dual-DMD 模型，如何通过提取锂电池的共性降解规律，结合钠离子电池的专属特性，实现预测误差低于 4% 的精准表现？ 无论你是新能源行业从业者、科技爱好者，还是单纯好奇 “未来电池如何更耐用”，都能在本期内容中 get 到：钠离子电池的核心优势与发展瓶颈、迁移学习的跨界应用逻辑，以及这项技术如何为可持续能源存储筑牢安全防线。

手机、电动车电池的 “健康状态（SOH）” 怎么精准预判？传统方法怕差异、缺数据，《Nature Communications》新研究给出答案 —— 靠 PINN（物理信息神经网络），仅用满充前短数据，就能实现 0.87% 精准预测，还能跨电池类型通用！ 本期播客，通俗拆解 AI + 物理的锂电黑科技，揭秘电池寿命预测的行业突破。

你知道吗？全球在轨卫星已超 7500 颗，而电池作为卫星的 “能量心脏”，其健康状态直接决定任务成败！但太空极端环境、数据采集受限、浅放电工况，让卫星电池健康监测难上加难 —— 传统方法依赖完整充放电数据，在卫星上根本行不通！ 这一期，我们拆解一篇顶刊研究：科学家用地面锂电池模拟 GEO 卫星在轨节律，靠 “满充后 2 分钟弛豫电压数据”，结合物理信息神经网络（PINN），实现 1.33% 的超高精度 SOH 估计，误差比 MLP、CNN 等传统模型低 30% 以上！ * 地面电池怎么复刻卫星 46 天阴影期循环？ * 仅 2 分钟短数据，如何提取 11 项关键健康特征？ * PINN 如何融合物理规律与 AI，破解卫星数据稀缺难题？ * 为什么 DOD、日历老化是卫星电池监测的核心变量？ 从实验设计到模型创新，从技术突破到应用局限，带你读懂太空能源管理的黑科技 （注：本播客标题、副标题及介绍由 AI 生成） （原文DOI： 10.1109/TIE.2025.3546350）