【背景介绍】
全固态锂金属电池因其高能量密度和安全性被视为下一代储能技术的有力竞争者。然而，锂枝晶生长引发的界面副反应导致电池健康状态（SOH）往往呈现非线性衰减：在经历初期的缓慢退化后，突然出现“拐点（Knee Point）”，随之发生容量跳水与失效。目前的电池管理系统（BMS）和主流AI方法多局限于“预测”SOH或剩余寿命，无法在电池运行时主动干预以延缓衰减。虽然优化材料和结构，以及施加外部压力可部分抑制枝晶，但针对电池运行过程中复杂电化学状态的实时感知与动态调控，尚缺乏有效的闭环控制方案，制约了全固态电池的长寿命应用。
【工作介绍】
近日，哈佛大学/中科院物理所李鑫教授课题组提出了一种集成了“状态感知”与“智能充电”模块的实时人工智能（Real-time AI）系统。该系统打通了电池测试设备与AI工作站的实时通讯，利用深度学习模型实时诊断电池内部状态，并基于强化学习动态调整快充策略。而且该方法不依赖于物理传感器，可以极大地降低商业化应用的成本。在全固态锂金属电池（NMC811正极/多层固态电解质/锂石墨负极）的验证中，该系统成功抑制了容量衰减的“拐点”，使电池在80% SOH下的循环寿命较固定策略对照组延长了265%（从723圈提升至1915圈），累积比能量提升250% 。这项工作不仅展示了智能控制在抑制界面副反应方面的显著效果，更为下一代BMS从“被动监测”向“主动控制”转型提供了概念验证。相关研究成果发表于国际顶级期刊Nature Communications，Mingyang Wang（王明阳）为本文第一作者。
【全文总结】
针对全固态锂金属电池中“拐点”失效导致的寿命短板，该研究设计了一种通用的实时AI控制框架。通过该研究组独创的“形状成像”数据处理与强化学习决策，该系统在无先验物理知识的情况下，实现了对电池内部状态的精准感知与主动调控。实验证明，该方法能有效抑制枝晶诱发的界面副反应，将电池寿命延长并显著提升累积能量产出。这一“AI定义电池（Software-defined Battery）”的新范式，不仅适用于全固态电池，也为传统锂离子电池及未来智能BMS的发展提供了普适性的技术路径。
本文由智算芯能前沿网编辑整理，转载请注明出处。