重要性不言而喻。从清晨唤醒我们的闹钟，到贴身携带的手机、平板电脑等智能设备，无一不依赖于电池提供的稳定电力。此外，随着科学技术的发展，电动汽车、无人机等新兴领域也大范围的应用了各类高性能电池，推动了绿色出行和智能科技的进步。因此，电池不仅极大地便利了我们的日常生活，还促进了科技的飞跃与社会的可持续发展。

  然而，随着电池使用时间的增长，其容量会逐渐衰减，导致供电时间缩短，影响设备的正常功能。如果能及时检测电池使用寿命，用户就能在电池性能显而易见地下降前采取对应措施，如更换新电池或优化用电习惯，从而避免因电池问题导致的设备故障或数据丢失，延长电池整体常规使用的寿命。因此，检测电池使用寿命不仅是维护个人设备稳定的需要，也是推动能源高效利用、促进环保的重要措施。

  近日，中国科学院大连化学物理研究所研究员陈忠伟、副研究员毛治宇团队，联合西安交通大学冯江涛教授，在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型，有效地解决了传统方法对大量充电测试数据的依赖，为电池实时寿命预估提供了新的思路，实现了锂电池寿命的端到端评估。同时，该模型也作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。相关成果发表在《电气电子工程师学会交通电气化学报》上。

  电池的循环寿命是指电池在规定的充放电条件下，经历多次完全充放电循环后，电池的容量或性能直线下降到初始值的某一规定百分比，所能经历的充放电次数。通常，以电池容量衰减到初始值的80%作为循环寿命的“终点”。

  比如每一个人都会用到的手机，它就像是一辆装备精良的赛车，而电池则是这辆赛车的“油箱”和“引擎”的结合体。新车刚到手时，电池就像是一个刚加满高级燃油、动力澎湃的引擎，能够轻松驱动赛车在数字世界的赛道上飞驰，无论是流畅播放高清视频、还是快速处理多任务，都显得游刃有余。然而，随着使用时间的增长，电池的“油箱”逐渐变小，其内部的电化学反应开始放缓，就像引擎逐渐失去了往日的活力。假如一部手机的电池循环寿命是500次。这就从另一方面代表着，如果你每天把手机电量完全用完再充满一次，那么大约500天后，你会感觉到你的手机电量没有以前那么耐用了，因为电池的循环寿命到了。

  然而，由于电池容量的退化是一个受多种因素影响的动态过程，包括充放电循环次数、充放电深度、环境和温度、电池老化等，这一些因素之间相互作用，使得电池使用寿命的预测变得尤为复杂。

  此前，电池的寿命预测都在实验室内进行。比如让电池加速循环，在高温45℃，高倍率运行，以此推断它在实际应用场景中的常规使用的寿命。但是不同的应用场景和运行条件会对锂电池的寿命产生显著影响，面临温度波动和长期静置等挑战，没办法实现对电池的精准预测。

  众多团队正积极投身于AI领域的探索中。然而，科技的现有发展水平为人工智能的应用设下了一定界限，导致其无法全方面覆盖所有领域。比如在汽车通信技术这一高度复杂的领域内，其背后的计算量浩如烟海，无论是借助机器学习算法进行深度分析，还是运用物理模型进行精准模拟，都亟需庞大的计算资源作为支撑。

  “遗憾的是，当前的人工智能技术及其学习深度，加之有限的人力资源，还未能完全满足对电池使用寿命进行精确检测的需求。”毛治宇阐述道，“正是基于这一现状，我们萌生了一个设想——设计一个能够直接且高效地检测电池使用寿命的创新模型。这一模型将致力于突破现存技术的局限，为电池健康管理提供更为可靠和智能的解决方案。”

  2017年，毛治宇还在加拿大滑铁卢大学读博，陈忠伟是他这样一个时间段的导师。当时的人工智能刚刚起步，他们想试试，能不能解决检测电池使用寿命这一难题呢？

  “电池包括正极、负极、隔膜、电极液等等，其实就是一个复杂的电化学系统。但是当时的模型还停留在简单的神经网络学习，人工智能检测实际上起步，我们就用自己的电池尝试测试，将电池老化的问题纳入进去，最终检测出来的寿命与实际寿命相比，精度有了很大的提高。”毛治宇回忆起当初第一次尝试，提到了电池老化的问题。

  这次初步尝试开启了毛治宇在AI应用于电池智能管理方向的科研旅程，随后经过毕业归国工作，2022年，毛治宇又加入了陈忠伟的团队。

  陈忠伟团队内有一个方向就是智能电池，包括“AI FOR SCIENCE（AI应用于科学）&AI FOR ENGINEERING（AI应用于工程），毛治宇想在这里圆梦。而目前科技的发展，已经延伸出了多个人工智能的计算模型。他们“顺水推舟”结合了多个模型，实现了优势互补。

  “我们利用了Vision Transformer结构。它能够直接进行并行计算，同时处理多任务。比如一块图像，我们大家可以切割成不同的小块，然后每个小块都可以独立处理，这样的话它的局部信息跟整体信息就能够获得有效整合，泛化能力比较强，可以扩展到其他的领域。”论文的第一作者、大连化物所博士后刘云鹏介绍道，“还有一个空间流加时间流的双流框架去提取多维时间尺度信息，同时借助高效自注意力机制去减少计算复杂度。我们就是结合了这两种算法，并且根据不同的优势将他们结合。”

  本研究提出了一种基于少量充电周期数据的深度学习模型，该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制，捕捉并融合多时间尺度隐藏特征，实现对电池当前循环寿命和剩余常规使用的寿命的准确预测。该模型在仅使用15个充电周期数据的情况下，能够将上述两种预测误差分别控制在5.40%和4.64%以内。此外，在面对训练数据集中未出现的充电策略时，仍能保持较低的预测误差，证明了其zero-shot泛化能力。

  同时，该电池使用寿命预测模型也是第一代电池数字大脑PBSRD Digit重要组成部分。通过将上述模型整合到该系统中，进一步提升了系统的准确性。目前，该电池数字大脑系统作为大规模/工商业储能和电动汽车的能量管理核心，可部署于云端服务器和客户端嵌入式设备。

  “现在新能源特别是储能是热点话题，很多的厂家都想要开发全生命周期的电池智能管理系统。我们就希望可以建设一个完整的电池数字大脑，能够更好地管理电池，像一个大脑控制电池的每个方面，让电池效率更加高、寿命越长，这也是我们未来的一个智能化发展趋势。”毛治宇介绍道。

  事实上，陈忠伟、毛治宇、刘云鹏正好是一个团队内的“师徒三代”。在团队多年的发展路径下，在电化学、电催化、人工智能方面都有着深刻的积累，从科学研究再到日常学习，都是传承和沉淀的过程，他们的目标，是打造从基础研究到关键技术开发再到产业应用示范全链条的模式，以应用为导向真正走向产业化，乃至对整个领域产生影响。

  该团队一定的优势来源于其强大的工程师阵容，150余人的团队中，汇聚了超过五十位经验比较丰富的工程师，他们来自不同的技术背景，不乏在大数据架构与算法领域深耕多年的专家，他们擅长将前沿的算法研究转化为高效、稳定的系统架构，确保技术成果能够顺利落地。

  正是这种“研究+开发”深层次地融合的模式，使得团队能够跨越传统界限，促进不相同的领域知识与技术的交叉融合。工程师们不仅仅可以独立承担项目研发的重任，还能与科研人员紧密合作，将最新的研究成果迅速转化为产品功能，从而加速技术创新与产业升级的步伐。

  通过这种高效的协作机制，团队不仅仅可以在电池使用寿命检测等特定领域取得突破，还能够灵活应对各种复杂挑战，推动多个项目并行发展，最终实现多元化、全方位的技术创新目标。

  “未来，我们计划利用模型提炼等技术逐步优化模型，以提高资源利用率，打造真正的数字大脑。”陈忠伟说。

  版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的全部作品，网站转载，请在正文上面注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱：。

  山东第一医科大学高华、李文龙等综述：多糖微针系统治疗眼部疾病的研究 ...