4大痛點，5項研究，7家企業，一文詳解AI引領的電池研發創新

作者：李姝編輯：李寶珠隨著 AI 技術的不斷發展，為更多高難度新型電池的研發帶來希望。本文將圍繞傳統電池研發技術面臨的技術瓶頸、AI 技術為學界、業界帶來的技術變革 3 個方面，盤點當下 AI 助力電池研發的新成果。「7 月份新能源汽車國內零售滲透率達 51.1%，比原定計劃提前了 11 年」。這是中國汽車流通協會乘用車市場信息聯席分會于今年 8 月份發布的數據，在彰顯新能源汽車市場增長勢頭強勁的同時，何嘗不是該領域能源結構轉型的重要里程碑。新能源汽車之所以能夠如此快速地消費市場，除了政策驅動、市場接受度提高等原因外，還主要得益于兩大關鍵因素。一方面，特斯拉發起的激烈價格戰，帶動了行業的降價浪潮，層出不窮的優惠政策不斷著銷量；另一方面，新能源汽車所搭載的電池技術不斷創新，有效緩解了消費者對充電時間長、充電站分布不均等里程焦慮問題，進一步提振了消費者的購買信心。作為新能源汽車的「心臟」，動力電池對整車性能、成本和用戶體驗的提升至關重要。如比亞迪刀片電池的推出，不僅大幅提高了電池包的空間利用率和安全性，還有望將純電車型的續航里程突破 1，000 公里，使其達到頂尖的續航表現。因此，有網友形象地評價道：「新能源車企的半條命是動力電池給的。」這一評價不僅道出了電池在新能源汽車產業鏈中的核心地位，也進一步說明了技術創新對于市場競爭力的重要性。值得一提的是，電池技術的重要性并不僅限于新能源汽車領域。無論是消費電子還是大規模儲能系統，電池都是不可或缺的關鍵技術支撐。中國工程院發布的「面向 2035 的新材料強國戰略研究」，明確將電池材料列為新型能源材料領域的重點發展方向，這不僅表明電池技術在未來能源結構中的戰略地位，也為新能源產業的全面升級提供了重要指引。關鍵戰略材料領域發展重點及發展方向，圖源「面向 2035 的新材料強國戰略研究」同時，人工智能的迅猛發展為高難度新型電池的研發注入了全新動能。中國科學院院士、清華大學教授歐陽明高在近日召開的 2024 科學智能峰會上表示：「在電池材料方面，以前實際上所有的材料研發都是試錯型的，耗費大量的人工，周期太長，效率太低。現在有了人工智能，就可以改變以前的研發范式。目前已經實現全過程的自動材料設計，比如自動化的實驗、表征、仿真、制備，實現全流程智能化，大大提高了高難度新型電池的研發效率。」數年磨一劍，傳統電池研發的痛點與難點電池研發是一項復雜且系統化的工程，包括電池材料的篩選，合成制備，表征測試以及工藝優化等階段，而傳統的電池研發主要采用「實驗試錯」的方法，整個研發周期跨越數年時間，且需要大量的資金投入。在此過程中，每一個階段都面臨獨特的痛點與難點。圖源紐約時報，電池研發和生產工廠具體而言，在電池材料篩選過程中，研發人員需要結合實驗的可行性、成本效益以及安全性等方面，尋找最佳的電極材料和電解液配方。然而電池的正極、負極、電解質和隔膜等組件有眾多潛在材料可供選擇，傳統的篩選方法需要依賴實驗逐一驗證，耗費大量時間和資源，試錯成本高。在電池的合成制備過程中，研發人員需要精確控制合成的反應條件以獲得理想的材料特性，這些反應條件包括溫度、壓力、時間、環境等。如固態電池在合成中仍然面臨著硫化物對空氣穩定性差、電極/電解質界面的化學和電化學穩定性等重大挑戰。這些挑戰限制了其在固態電池中的大規模應用，并對合成制備過程提出了更高的要求。論文地址：https://wulixb.iphy.ac.cn/article/doi/10.7498/aps.69.20201581圖源物理學報，基于硫化物電解質的固態鋰電池界面面臨的主要挑戰在表征測試過程中，研發人員需要對電池材料的晶體結構、電化學性能以及熱穩定性等關鍵屬性進行測試和分析。然而，電池性能的核心指標（如循環壽命、能量密度等）通常需要通過長時間的測試來評估，這種測試周期顯著拖延了研發進度。在工藝優化階段，涂布、干燥、壓實等多種參數的優化是一個高度復雜的多變量問題，在實驗室小規模研發中獲得的理想性能，往往在工業生產中難以復現。圖源三星 SDI總結來說，傳統電池研發方法中，從材料篩選到工藝優化，每一階段都面臨復雜的挑戰。未來的電池研發需要引入更多數據驅動的設計方法、高通量合成與測試技術以及智能化制造手段，從根本上傳統研發的瓶頸。在這一過程中，AI 將扮演至關重要的角色。柳暗花明，AI for Science 全面解鎖電池研發新思路盡管以固態電池為代表的新型電池研發技術還面臨諸多挑戰，但乘著 AI for Science (AI4S) 范式發展的東風，越來越多的高校以及科研院所開始圍繞電池研發，展開 AI 相關技術的落地探索。具體而言，首先 AI 可加速電池材料的篩選與發現。電池材料的研發涉及成千上萬種化學組合，而實驗驗證的時間和資源有限。AI 在高通量計算和機器學習方面的應用，使得研究者能夠通過模擬和預測快速篩選出潛在的高性能材料。如 Microsoft 和 PNNL 借助 AI 技術，篩選了 3，200 萬種潛在電池材料，并在 80 小時時間內將名單縮小到 23 種，其中 5 種是已知材料。團隊表示如果使用傳統方法獲取這些材料，這個過程將耗時 20 多年。相關研究以「Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing: from large-scale screening to experimental validation」為題，發表在預印網站 arXiv 上。論文地址：https://arxiv.org/pdf/2401.04070Microsoft AI 和 HPC 工具發現的新型固體電解質樣本，圖源 Microsoft其次，AI 在電池的合成制備過程中同樣表現出色。具體而言，界面問題是電池性能的關鍵瓶頸，例如鋰金屬負極與電解質的界面穩定性直接決定電池的安全性與壽命。傳統實驗很難全面了解界面上的復雜反應，而 AI 模型可以結合分子動力學模擬和實驗數據，預測界面反應路徑并設計更優的電解質材料。如華南理工大學研究人員利用 AI 模型對鋰離子電池的界面反應進行建模，重點優化電池組件，為開發更穩定的電解質材料提供了方向。相關研究以「Insights into the interface reaction between electrolyte and Li(2)MnO(3) from ab initio molecular dynamics simulations」為題，發表在 Journal of Materials Chemistry 上。論文地址：https://pubs.rsc.org/en/content/articlelanding/2024/ta/d4ta04598j在電池表征測試過程中， AI 在電池壽命預測上也毫不遜色。如麻省理工學院、斯坦福大學和豐田研究所 (TRI) 的研究人員使用 AI 預測電池壽命。該團隊研發的 AI 算法可根據電池的 5 次充放電循環判斷電池使用壽命，且判斷結果準確率高達 95%，預測值與電池實際壽命值誤差在 9% 以內。值得一提的是，該數據集已經開源，并且是同類數據集中體量最大的。相關研究以「Data-driven prediction of battery cycle life before capacity degradation」為題，發表在 Nature 上。論文地址：https://www.nature.com/articles/s41560-019-0356-8而在前不久，中國科學院大連化學物理研究所聯合西安交通大學，在電池健康管理領域取得新進展。研究人員開發了一種新型的深度學習模型，有效地解決了傳統方法對大量充電測試數據的依賴，為電池實時壽命預估提供了新的思路，實現了鋰電池壽命的端到端評估。同時，該模型也是第一代電池數字大腦 PBSRD Digit 核心模型的重要組成部分，為電池智能管理提供了解決方案。相關研究以「Deep learning powered lifetime prediction for lithium-ion batteries based on small amounts of charging cycles」為題，發表在 IEEE Transactions on Transportation Electrification 上。論文地址：https://ieeexplore.ieee.org/document/10613834深度學習技術應用于電池壽命預測，圖源中國科學報此外，AI 在優化電池材料的生產工藝中也展現出巨大潛力。以固態電池為例，其制造對電解質的微觀結構有嚴格要求。AI 技術能夠通過計算機視覺與優化算法分析材料制備過程中的參數，如溫度、壓力等，從而提高生產一致性并降造成本。如法國皮卡第儒勒-凡爾納大合多所機構的研究展示了如何通過機器學習技術監測并優化電極制造過程。該方法能夠實時調整電池制造參數，從而大幅減少廢料和提高產品的一致性。相關研究以「Toward High-Performance Energy and Power Battery Cells with Machine Learning-based Optimization of Electrode Manufacturing」為題，發表在 Science 上。論文地址：https://www.sciencedirect.com/science/article/pii/S0378775323010509可以預見，在 AI for Science 范式的推動下，電池材料領域正站在一個嶄新的技術的門檻上。AI 的應用不僅為電池材料的研發帶來了新的思路和工具，而且正在重塑整個電池技術的發展路徑。百舸爭流，AI 加速新型電池產業化步伐電池行業正處于技術革新的浪潮之巔，而 AI 無疑是引領這場技術復興的核心驅動力。AI 技術的深入應用不僅在學術研究領域催生了電池科學的前沿理論，還在產業界展現出強大的實踐價值，為電池技術的商業化、規模化生產以及性能優化提供了全新動力。在國際市場中，多家企業已經搶先布局 AI 驅動的電池研發。特斯拉通過 AI 優化電池管理系統 (BMS)，使用深度學習和機器學習技術預測電池健康狀態和壽命，并利用數據驅動方法改進超級充電與能量管理。韓國電池制造商 LG 新能源 (LG Energy Solution) 開發了 AI 平臺，專注于預測電池老化、失效模式以及能量管理優化，同時為儲能系統 (ESS) 提供動態預測和優化能力。鋰金屬電池企業 SES AI 也宣布將聯手科技公司 NVIDIA、Crusoe 和 Supermicro，加速電池新材料研發，計劃使用為 AI 優化的高性能超級計算機，繪制小分子數據庫，從而提升對電池化學體系的理解，加快發展能量存儲解決方案。除此之外，NVIDIA 也在最近宣布 ALCHEMI NIM 項目正通過 AI 技術加速電動汽車電池和太陽能電池板等可持續能源材料的研發。這些項目能夠高效模擬和預測材料的電化學性能，不僅縮短了新材料的研發周期，還大幅降低成本，為全球能源轉型提供了技術支持。圖源 X回歸國內市場，各家企業的電池研發技術創新也是呈百家爭鳴之勢。作為全球動力電池行業的領軍者，寧德時代積極將 AI 技術應用于電池化學和材料性能的建模優化，專注于高能量密度電池的研發。2023 年 12 月，寧德時代宣布將在香港設立國際研發中心聚焦于 AI for Science。寧德時代董事長曾毓群也在近一年多次在公開場合提及加快導入 AI，尤其在電池材料體系創新方面。寧德時代發布神行超充電池，圖源網絡此外蜂巢能源 (SVOLT) 在江蘇金壇率先打造出行業首家車規級 AI 智能動力電池工廠，利用 AI 進行電池全流程管控，推出了一系列高性能電池產品，極大地加速了新能源電池的規模化應用。與此同時，一些 AI 電池材料初創公司也如雨后春筍般出現在國外市場上，如 QuantumScape、Inobat Auto、 Mitra Chem、Aionics 等，旨在將人工智能引入電池開發領域，其中 Mitra Chem 更是被一些電池技術界的大拿們描述為「位于硅谷的一家由人工智能技術驅動的電池材料革新者」。而我國市場上也涌現出了一批新能源 AI 企業，如歐陽明高院士團隊孵化的企業昇科能源，發布了全球首個電池 AI 大模型 PERB2.0。這一模型能夠處理和分析海量電池數據，在電池設計、性能優化和智能決策方面發揮關鍵作用。綜上所述，無論是國際市場還是國內企業，無論是頭部企業還是初創公司，在電池研發領域，都在積極地擁抱 AI。寫在最后放眼當下，從材料發現到制造優化，從性能預測到全生命周期管理，AI 技術正在全面賦能電池研發的每一個環節，為新能源產業注入強勁動力。通過將科研成果與產業實踐深度融合，AI 不僅加速了技術迭代，還推動了電池技術的大規模應用和成本下降。但任何事物的發展是曲折上升的， AI 與電池研發的深度融合也不是一蹴而就的。正如寧德時代董事長曾毓群所言，「AI4S（用于電池材料研發）目前還沒有特別好的模型、結構、算法，還有很長的路要走。」參考資料：1.http://finance.people.com.cn/n1/2024/0812/c1004-40297368.html2.https://www.auto-made.com/news/show-16443.html3.https://www.engineering.org.cn/sscae/CN/article/downloadArticleFile.do?attachType=PDF&id=285284.https://esst.cip.com.cn/CN/10.19799/j.cnki.2095-4239.2024.06985.http://www.xinhuanet.com/science/20241121/6c8a64232e464ee886b8dc4c732f81fd/c.html6.https://developer.nvidia.com/zh-cn/blog/revolutionizing-ai-driven-material-discovery-using-nvidia-alchemi/7.http://www.dicp.cas.cn/xwdt/mtcf/202410/t20241022_7405757.html8.https://www.cas.cn/syky/202411/t20241120_5040077.shtml9.https://www.sciencedirect.com/science/article/pii/S2590116823000474往期推薦戳“閱讀原文”，免費獲取海量數據集資源！