锂离子电池是脱碳和应对气候变化的关键技术，但长期以来其寿命与安全性一直面临挑战，锂枝晶引发的短路、副反应等问题会导致电池容量非线性衰减，出现 “拐点” 后性能急剧下滑，而这一拐点的成因复杂且缺乏统一解释，给电池健康状态（SOH）和剩余使用寿命（RUL）的预测带来极大困难。尽管固态电池通过结构与界面设计在一定程度上抑制了锂枝晶穿透，但锂枝晶与电解质、负极材料的高反应活性仍会引发快速容量衰减，且现有充电策略多为预先优化的固定方案，无法根据电池实时状态动态调整，难以有效延缓或避免失效问题，因此亟需开发基于实时状态感知的智能调控技术来提升电池的寿命与安全性。

近日，哈佛大学李鑫团队开发了一种集成机器学习模块与电化学电池测试站的实时人工智能平台，该平台包含状态感知和智能循环两个核心模块，通过 TCP/IP 协议下的 COM API 实现 AI 工作站与测试硬件的双向通信，每 3 个循环收集一次电池电流、电压数据并整合为 2D 图像输入 ResNet50 网络，精准识别电池的稳定、过渡和衰减三种状态，再基于强化学习（DQN 算法）动态调整充电策略（15~20 C 的倍率与 4.2~4.3 V 的电压截止值组合形成 18 种充电动作），以控制有害界面反应。该平台以 Li/Graphite|LPSCl|LGPS|LPSCl|NMC811（NMC811 为 LiNi₀.₈₂Mn₀.₀₇Co₀.₁₁O₂，LPSCl 为 Li₅.₅PS₄.₅Cl₁.₅，LGPS 为 Li₁₀GeP₂S₁₂）构型的固态锂金属电池为验证对象，在 80% 健康状态（SOH）下使电池寿命提升 265%，活性物质累积比能量提升 250%，有效延缓或避免了容量衰减 “拐点” 的出现，为电池管理系统提供了超越人类专业知识的实时智能调控方案。

该成果以 “Real-time artificial intelligence for solid-state lithium metal batteries” 为题发表在 “Nature Communications” 期刊，第一作者是 Wang Mingyang。

【工作要点】

要点一：平台构建与核心模块设计

本文搭建了集成机器学习模块与电化学测试站的实时 AI 调控平台，通过 TCP/IP 协议下的 COM API 实现 AI 工作站与测试硬件的双向通信，无需依赖专有软件即可完成闭环控制。平台核心包含状态感知和智能循环两大模块，前者基于 ResNet50 网络，将每 3 个循环的电流、电压数据整合为 2D 图像，精准识别电池稳定、过渡、衰减三种状态，验证集和测试集准确率分别达 89% 和 86%；后者采用深度 Q 网络（DQN）强化学习算法，依据电池实时状态动态选择充电策略，涵盖 15~20 C 倍率与 4.2~4.3 V 电压截止值组合的 18 种充电动作。

要点二：性能提升与关键突破

以 Li/Graphite|LPSCl|LGPS|LPSCl|NMC811（NMC811 为 LiNi₀.₈₂Mn₀.₀₇Co₀.₁₁O₂，LPSCl 为 Li₅.₅PS₄.₅Cl₁.₅，LGPS 为 Li₁₀GeP₂S₁₂）构型的固态锂金属电池为研究对象，该智能调控方案实现显著性能提升。在 80% 健康状态（SOH）下，电池寿命较传统固定充电策略提升 265%（1915 次循环 vs 723 次循环），活性物质累积比能量提升 250%，且成功延缓或避免了容量衰减 “拐点” 的出现。通过动态调整充电参数，电池可在稳定态与过渡态间灵活切换，有效抑制锂枝晶引发的界面反应，使电极 - 电解质界面在 1700 次循环后仍保持致密，而传统方案在 1500 次循环后已出现明显空隙。

要点三：机制探索与应用拓展

研究通过主成分分析（PCA）和 2D 网格模型揭示了调控机制：动态充电策略使电池在主成分空间中探索更宽的电化学状态，通过频繁且可逆的状态转换延缓降解；适度的充电参数波动可平衡局部降解程度与分布，避免不可逆失效。该方法无需依赖物理传感器，充分利用电压、电流曲线中的隐藏信息，降低设备成本，且兼容多阶段恒流 - 恒压（CC-CV）、可变外部压力等先进策略。未来可拓展至商用锂离子电池及软包电池体系，结合边缘计算技术构建去中心化电池管理系统，为下一代储能设备提供更高可靠性与安全性。

【结论】

本研究为电池管理系统开辟了实时人工智能调控的新方向，通过将机器学习与实时充电策略相结合，显著提升了固态锂金属电池的寿命与安全性。该智能循环方案能够实时感知并调控电池状态，在高电流密度下大幅改善电池循环寿命和活性物质累积比能量，有效抑制锂枝晶相关的界面反应问题。该方法充分挖掘电压和电流曲线中的隐藏信息，减少了对物理传感器的依赖，降低了设备成本，且兼容多阶段恒流 - 恒压、可变外部压力或环境温度等先进快充策略，具有广泛的应用适应性。此外，状态感知功能的实现使得电池不良状态的主动预测与缓解成为可能。未来，该框架有望广泛应用于商用电池系统，其与边缘计算设备的兼容性将为构建更智能的去中心化电池管理系统提供契机，助力下一代储能解决方案实现更高的可靠性与安全性。

本文由智算芯能前沿网编辑整理，转载请注明出处。