هل يمكنك تخيل عالم بلا بطاريات؟ الهواتف الذكية، ومركبات الطاقة الجديدة، وجميع أنواع الأجهزة الذكية التي تعمل على مدار الساعة، مبنية على تقنية تخزين الطاقة الكهروكيميائية. بعبارة أخرى، لم تعد البطاريات مجرد وحدات لتخزين الطاقة، بل أصبحت "أعضاءً خفية" تدعم الحياة العصرية، والتنمية الصناعية، والتقدم التكنولوجي. ومع ذلك، وكما تواجه الكائنات الحية في نهاية المطاف الشيخوخة والتلف،قد تواجه البطاريات أيضًا مشاكل مثل انخفاض السعة، وتدهور الأداء، وحالة صحية غير متوقعة.لقد أصبح هذا الأمر نقطة ضعف أساسية تحد من الابتكار التكنولوجي وانتقال الطاقة.

يُعدّ التنبؤ الدقيق والفعّال بعمر دورة البطارية أمرًا بالغ الأهمية لأبحاث وتطبيقات الجيل القادم من البطاريات على نطاق واسع، إذ يُحدّد بشكل مباشر موثوقيتها وسلامتها وتكلفتها الإجمالية طوال دورة حياتها. مع ذلك، فإنّ الطريق إلى البحث في هذا المجال محفوف بالصعوبات.أولاً، هناك التكلفة الزمنية العالية.غالباً ما يتطلب التنبؤ بالعمر الافتراضي الكامل للبطارية سنوات من العمل المتفاني، وهو ما يتخلف بشكل كبير عن وتيرة البحث والتطوير.ثانياً، هناك تكلفة الطاقة الباهظة.تستهلك عمليات تصميم واختبار البطاريات المتكررة كميات كبيرة من الطاقة، وتصاحبها انبعاثات كربونية هائلة. إذا لم يتم التغلب على هذين التحديين الرئيسيين، فلن ترتفع تكلفة الابتكار فحسب، بل سيقع ابتكار البطاريات أيضاً في "معضلة الاستدامة" المتناقضة، حيث تعجز تقنيات البطاريات التي تروج للطاقة المستدامة عن تحقيق الاستدامة في نماذج البحث والتطوير الخاصة بها.

وفي هذا السياق، قاد البروفيسور سونغ زيو من جامعة ميشيغان، آن أربور، وجيانغ ويران، نائب رئيس قسم البحث والتطوير في شركة فاراسيس للطاقة، المشروع بشكل مشترك.يقترح هذا البحث بشكل مبتكر طريقة علمية للتعلم الآلي تسمى "التعلم الاستكشافي (DL)".مستوحاة من علم النفس التربوي، تدمج هذه الطريقة بشكل عضوي التعلم النشط، والتعلم المقيد فيزيائيًا، والتعلم الصفري لبناء إطار عمل للتعلم ذي حلقة مغلقة يحاكي التعلم البشري لأغراض الاستدلال. وبافتراضات متحفظة، بالمقارنة مع عمليات التحقق من عمر البطاريات الصناعية،يُتيح التعلم الاستكشافي توفير الوقت في التقييم لـ 98% وتوفير الطاقة لـ 95%، مما يقلل دورة التحقق من الصحة من حوالي 1333 يومًا إلى 33 يومًا واستهلاك الطاقة من 8.523 ميغاواط ساعة إلى 0.468 ميغاواط ساعة.

تم نشر نتائج البحث ذات الصلة، بعنوان "التعلم الاستكشافي يتنبأ بعمر دورة البطارية من خلال تجارب بسيطة"، في مجلة Nature.

أبرز الأبحاث:

* نقترح نموذجًا مبتكرًا للتعلم الآلي العلمي، DL، والذي يدمج بشكل عضوي التعلم النشط والتعلم المقيد فيزيائيًا والتعلم بدون أمثلة لبناء إطار عمل للتعلم ذي الحلقة المغلقة يشبه الإنسان من أجل الاستدلال. 

* تم إنشاء مجموعة بيانات التدهور التي تحتوي على 123 بطارية ليثيوم أيون كبيرة السعة من الدرجة الصناعية، مما يسد الفجوة في مجموعات بيانات البطاريات ذات السعة الكبيرة العامة في أبحاث تدهور البطاريات.

* تم تحقيق وفورات في الوقت في تقييم 98% ووفورات في الطاقة لـ 95%، مما أدى إلى تقليل دورة التحقق من الصحة من حوالي 1333 يومًا إلى 33 يومًا.

عنوان الورقة:

https://www.nature.com/articles/s41586-025-09951-7
تابع حسابنا الرسمي على WeChat وأجب بكلمة "Discover Learning" في الخلفية للحصول على ملف PDF كامل.

قم بإنشاء مجموعة بيانات لتدهور البطاريات ذات الجودة الصناعية ومجموعة بيانات تدريب عامة ذات سعة صغيرة.

وللتحقق من فعالية أسلوب التعلم الاستكشافي، قام فريق البحث بإنشاء مجموعة بيانات لتدهور البطاريات من الدرجة الصناعية كمجموعة اختبار، كما هو موضح في الشكل أدناه:

يمثل P بطارية خلية كيسية، ويمثل A ترميزًا مخصصًا؛ ويتراوح عمر الدورة من 250 إلى 1700 دورة.

تحتوي مجموعة الاختبار هذه على 123 خلية ليثيوم أيون كبيرة الحجم (بسعة 73-84 أمبير/ساعة)، تغطي 8 أنواع مختلفة من الخلايا.تستخدم هذه الخلايا مواد مختلفة للأقطاب الموجبة والسالبة أو تصاميم بطاريات مختلفة، وهي: PA-B1، وPA-b2، وPA-b3، وPB-b1، وPB-b2، وPC-b1، وPC-b2، وPD. توجد اختلافات تصميمية كبيرة بين أنواع الخلايا PA (280 واط ساعة/كجم)، وPB (286 واط ساعة/كجم)، وPC (286 واط ساعة/كجم)، وPD (315 واط ساعة/كجم)، بينما تكون الاختلافات بين النماذج ضمن نفس الدفعة، مثل PB-b1 وPB-b2، طفيفة. علاوة على ذلك، باستثناء خلية PD، التي تستخدم قطبًا موجبًا من نوع NMC9 (LiNi₀.₉Mn₀.₀₅Co₀.₀₅O₂، نسبة ذرات النيكل 90%) وقطبًا سالبًا مركبًا من السيليكون والكربون (Si-C)، تعتمد الخلايا الأخرى على قطب موجب من نوع NMC811 وقطب سالب من الجرافيت.

ومن الجدير بالذكر أنلا توجد حاليًا في الصناعة مجموعة بيانات موثقة بالكامل لبطاريات ذات سعة كبيرة. وتسد مجموعة البيانات التي اقترحها فريق البحث هذه الفجوة في مجموعات بيانات أبحاث التدهور.وقد أرسى هذا الأساس لمزيد من البحث في مجال البطاريات عالية السعة.

ولتطوير طريقة تعلم اكتشافية دقيقة وفعالة، قام فريق البحث بإنشاء مجموعة بيانات عامة بدون تكلفة تعتمد على بطاريات أسطوانية صغيرة السعة كمجموعة تدريب.

تتكون مجموعة التدريب من 200 بطارية أسطوانية صغيرة السعة (1.1-3.5 أمبير/ساعة) من 6 نماذج تجارية مختلفة.وهي A123-M1A (فوسفات الحديد الليثيوم/الجرافيت، 83 واط ساعة/كجم)، وLG-HG2 (NMC811/SiOₓ-الجرافيت، 246 واط ساعة/كجم)، وLG-MJ1 (NMC811/Si-C، 255 واط ساعة/كجم)، وSamsung-25R (NiCoAl–NMC622/Si-C، 216 واط ساعة/كجم)، وSony-VTC5A (NCA/SiOₓ-الجرافيت، 196 واط ساعة/كجم)، وSony-VTC6 (NCA/SiOₓ-الجرافيت، 246 واط ساعة/كجم).

يوضح الشكل ب استخدام مجموعة البيانات العامة؛ ويظهر الشكل ج صورة مقربة لأعلى 50 رقم دورة كاملة مكافئة (EFCs).

خلال مرحلة التقييم،قام فريق البحث بتقسيم البطاريات الـ 123 إلى 37 مجموعة تجريبية متسقة للغاية بناءً على الاختلافات في المواد والتصميم وظروف الاختبار.الهدف النهائي للتنبؤ هو متوسط عمر دورة كل مجموعة. ويتم إجراء تقييم الأخطاء على مستوى الخلية الفردية ومستوى حزمة البطارية للتحقق بشكل شامل من أداء الطريقة وكفاءتها.

دمج التعلم النشط، والتعلم المقيد جسديًا، والتعلم بدون أمثلة مسبقة

تعتمد أساليب التنبؤ التقليدية بعمر البطارية بشكل أساسي على منهجين: النماذج الفيزيائية والبيانات. ورغم أن هذه الأساليب توفر نظرياً إمكانيات هائلة، إلا أنها تعاني من نقاط ضعف جوهرية في التطبيقات العملية. ففي النموذج الفيزيائي، يحدّ الفهم غير الكامل لآليات تدهور البطارية من دقة التنبؤ، مما يعيق تحقيق اختراقات طويلة الأمد. أما في أسلوب البيانات، فيتطلب الأمر تدريباً مكثفاً من خلال العديد من تجارب تدهور البطارية الإضافية، ولا يمكن إعادة استخدام البيانات التاريخية بالكامل. والأهم من ذلك، أن هذه الأساليب لا توفر عادةً تنبؤات موثوقة إلا بعد تصنيع النموذج الأولي للبطارية، مما يخلق عائقاً كبيراً أمام الكفاءة، لا سيما عند التوسع إلى سيناريوهات تصميم واسعة النطاق.

التعلم الاستكشافي هو أسلوب مرن وقابل للتطوير في مجال التعلم الآلي العلمي، مما يتيح التنبؤات العلمية السريعة والموثوقة.مع ضمان دقة وكفاءة عملية التنبؤ، يمكنها أيضًا تقليل التكاليف التجريبية المطلوبة للتدريب والاستدلال.تستفيد هذه الطريقة من نظرية برونر للتعلم الاستكشافي التي طُرحت في ستينيات القرن الماضي، والتي تفترض أن كفاءة التعلم والاستدلال البشري لا تعتمد فقط على الملاحظة المباشرة؛ بل يمكن استخلاص استنتاجات جديدة من المعرفة السابقة والخبرة الماضية. ولذلك، يمكن تفسير المبدأ التوجيهي للتعلم الاستكشافي على النحو التالي:يتم التوصل إلى تنبؤات موثوقة من خلال التعلم من بيانات البطاريات التاريخية عديمة التكلفة وإجراء استعلامات مصنفة على عينات اختبار غير مصنفة.لا يقلل هذا المبدأ بشكل كبير من تكلفة التدريب والاستدلال فحسب، بل يُمكّن أيضًا من التنبؤ العلمي الفعال.

من حيث أساليب التنفيذ المحددة، من أجل دمج التعلم النشط، وتعلم القيود المادية، والتعلم بدون أمثلة بشكل عضوي، يتم إنشاء إطار عمل للتعلم ذي حلقة مغلقة للتفكير الشبيه بالبشر.قام فريق البحث بتصميم ثلاث وحدات تعليمية متطابقة وحدد ثلاثة عوامل أساسية (كما هو موضح في الشكل أدناه): المتعلم، والمترجم، والوسيط.

المفسر هو منفذ تعلم القيود المادية والأساس لبناء الميزات في التعلم الاستكشافي.تتمحور هذه الطريقة حول معالجة عدم توافق توزيع الخصائص بين البطاريات القديمة والجديدة، وذلك بتحويل بيانات دورات الشحن والتفريغ الكهروكيميائية للبطاريات إلى فضاء خصائص فيزيائية قابل للتفسير عالميًا، مما يوفر مدخلات خصائص موحدة للتنبؤ بعمر البطارية لاحقًا. وبالتحديد، يستخدم المفسر في هذه الطريقة تقنيات استدلال قائمة على المحاكاة، بالإضافة إلى نموذج فيزيائي-كهروكيميائي.

تم تصميم Oracle خصيصًا للتعلم بدون أمثلة وهو جوهر الاستدلال الأولي للتعلم الاستكشافي.يُعالج الحل الأساسي لهذه الدراسة مشكلة "التكاليف الباهظة لجمع البيانات" في التنبؤ بعمر البطارية، مما يُتيح التنبؤ بالعمر باستخدام بيانات البطارية التاريخية فقط دون الحاجة إلى تجارب تدهور لتصميمات البطاريات الجديدة. ويُصمم البحث بنية تنبؤ ثنائية تتكون من مُتنبئ أساسي ومُتنبئ شامل. يأخذ المُتنبئ الأساسي الخصائص الفيزيائية كمدخلات ويُخرج عمر دورة البطارية. ويُبنى هذا المُتنبئ باستخدام نموذج خطي مُدمج مع خوارزمية الشبكة المرنة. أما المُتنبئ الشامل، فيأخذ ظروف التشغيل الدورية كمدخلات ويُخرج معاملات ترجيح كل خاصية فيزيائية. ويُبنى هذا المُتنبئ باستخدام نموذج انحدار متجه الدعم.

المتعلم هو منفذ التعلم النشط وجوهر تحسين الكفاءة للتعلم الاستكشافي.يتمثل الهدف الأساسي في خفض تكلفة الاستدلال التجريبي. فمن خلال اختيار العينات ذات القيمة المعلوماتية الأعلى، يقل عدد نماذج البطاريات الأولية التي تتطلب استخلاص الخصائص الفيزيائية عبر التجارب، مما يُتيح في نهاية المطاف التنبؤ بعمر البطارية بالكامل بأقل تكلفة تجريبية. في هذه الدراسة، يعتمد نموذج التنبؤ الخاص بالمتعلم على خوارزمية انحدار العمليات الغاوسية، والمُصمم باستخدام مكتبة scikit-learn، ويستخدم استراتيجيات استعلام غير مُشرفة ومُشرفة لاختيار العينات.

خاصة،يختار المتعلم بشكل استباقي أكثر عينات الاختبار إفادةً من مجموعة بيانات تصميم البطاريات التاريخية. ثم يستخدم المفسر تعلم القيود الفيزيائية لإنشاء فضاء ميزات فيزيائية عام وقابل للتفسير، وذلك لإزالة اختلافات توزيع الميزات بين البطاريات التاريخية وغير المعروفة. بعد ذلك، يقوم نظام التنبؤ بالتعلم الصفري، ويُجري استدلالًا أوليًا على عينات الاختبار المختارة بناءً على فضاء الميزات الذي أنشأه المفسر، ويُعيد نتائج الاستدلال إلى المتعلم على شكل "تصنيفات زائفة".تتكرر هذه العملية حتى يتم استيفاء شرط الإنهاء المحدد مسبقًا، وبالتالي تكتمل عملية التنبؤ بأكملها.

باختصار، يُغني تطبيق أساليب التعلم الاستكشافي للتنبؤ بعمر دورة تصميمات البطاريات غير المعروفة عن الحاجة إلى تجارب تدهور إضافية لتحديد عمر البطارية، ويُقلل بشكل كبير من تصنيع النماذج الأولية اللازمة لاستخلاص الخصائص الفيزيائية المبكرة. يوفر هذا نهجًا جديدًا للتحقق السريع من عمر البطارية، ولتقديم تغذية راجعة فعالة ودقيقة لتصميمات البطاريات، مما يُسرّع من ابتكار البطاريات ويُساهم في مواجهة تحديات الاستدامة.

تحقيق توفير في الوقت مع 98% وتوفير في الطاقة مع 95%.

في هذه الدراسة، أظهر فريق البحث القدرة على اكتشاف التعلم بناءً على مجموعات الاختبار عند التنبؤ بعمر دورة تصميمات البطاريات الجديدة ذات التباين غير المعروف في الجهاز.يمكن تحقيق متوسط الخطأ المطلق النسبي (MAPE) البالغ 7.2% باستخدام البيانات فقط من أول 50 دورة شحن وتفريغ كاملة مكافئة للنموذج الأولي للبطارية 51 %.علاوة على ذلك، يتم تحقيق هذه الدقة العالية باستخدام منهجية العينة الصفرية، متجاوزةً بذلك نتائج الأبحاث الناضجة والممثلة الموجودة. في ظل افتراضات متحفظة،بالمقارنة مع عمليات التحقق من عمر البطارية الصناعية، يمكن للتعلم الاستكشافي تحقيق وفورات في الوقت في التقييم لـ 98% ووفورات في الطاقة لـ 95%.

بالإضافة إلى ذلك، قام فريق البحث بتقييم تفوق أسلوب التعلم الاستكشافي من خلال تجارب التنبؤ ذات الحلقة المفتوحة والحلقة المغلقة.

أداء التنبؤ في الحلقة المفتوحة

في هذه التجربة، تم عرض أداء التنبؤ ذي الحلقة المفتوحة فقط لكل من المفسر والمنظم؛ ولا يشارك المتعلم في اختيار البيانات أو التعلم (كما هو موضح في الشكل أدناه). في ظل ظروف تباين التصنيع غير المعروف،حققت شركة أوراكل متوسط نسبة الخطأ المطلق على مستوى المجموعة 6.41 TP3T ومتوسط الجذر التربيعي للخطأ (RMSE) 64 دورة في متوسط التنبؤ بعمر دورة 37 حزمة بطارية.

تجدر الإشارة إلى أن متوسط النسبة المئوية المطلقة للخطأ على مستوى البطارية هو 9.1%، وأن متوسط الجذر التربيعي للخطأ هو 70 دورة.يشير هذا إلى أن متوسط النسبة المئوية المطلقة للخطأ على مستوى المجموعة البالغ 6.4% يرجع أساسًا إلى التنبؤ الدقيق لـ 123 خلية فردية، وليس إلى مصادفة ناتجة عن المتوسط على مستوى المجموعة.علاوة على ذلك، بلغ معامل ارتباط بيرسون 0.97. وتؤكد هذه النتائج مجتمعة القدرة التنبؤية لطريقة التعلم العميق.

بعد ذلك، استخدمت التجربة إطار عمل SHAP (تحليل التفسيرات الإضافية لشابلي) لتوضيح الأهمية النسبية للخصائص الفيزيائية المتعلقة بالخصائص الديناميكية الحرارية والحركية في المراحل الأولى من دورات الشحن والتفريغ (الشكلان ج و هـ أعلاه)، وبالتالي تحديد العوامل الفيزيائية الأساسية التي لها التأثير الأكبر على عمر البطارية. يوضح الشكل د تغير أهمية الخصائص الفيزيائية في ظل ظروف دورات الشحن والتفريغ المختلفة.

أداء التنبؤ في الحلقة المغلقة

تتضمن هذه التجربة وحدة المتعلم. يقوم المتعلم بشكل استباقي باختيار عينات الاختبار الأكثر إفادة من بين 37 حزمة بطاريات، ثم يقوم بإجراء تنبؤ الأداء في حلقة مغلقة.يوضح الشكل أدناه العملية التجريبية. وقد تبين أن عملية التعلم تستخدم عملية "التصنيف الزائف" القائمة على الاستدلال الأولي لاستبدال عملية التصنيف القائمة على التجربة في التعلم النشط، مما يقلل من متطلبات التجربة.

في نهاية المطاف، عند التنبؤ بمتوسط عمر دورة شحن وتفريغ حزم البطاريات الـ 37،حققت وحدات Oracle و Learner، عند العمل معًا، متوسط نسبة الخطأ المطلق على مستوى المجموعة 7.21 TP3T ومتوسط الجذر التربيعي للخطأ 91 دورة.على الرغم من أن هذه النتيجة تمثل تحسناً مقارنة بتجربة الحلقة المفتوحة، إلا أنها لا تقدم سوى تأكيد محدود لمزايا الأداء لإطار الحلقة المغلقة.

في المجمل،تؤكد هذه الدراسة أن التعلم الاستكشافي يمكن أن يتنبأ بعمر دورة البطارية وكفاءتها باستخدام البيانات التاريخية وعدد قليل جدًا من التجارب.والأهم من ذلك، أنه بالإضافة إلى تصميم البطاريات، يمكن توسيع نطاق هذه الطريقة لتشمل التحقق من مؤشرات أداء البطاريات الأخرى، مثل السلامة، وقدرة الشحن السريع، وإدارة البطارية، شريطة توفر مجموعات بيانات تاريخية مناسبة في مجالات أخرى. ويمكن القول إن هذا البحث يرسي أساسًا نظريًا وعمليًا متينًا لخفض تكلفة ابتكار البطاريات وتسريع تطبيقها.

التعاون الوثيق بين الصناعة والأوساط الأكاديمية والبحثية: الذكاء الاصطناعي يسرع من ابتكار البطاريات.

في عصر ثورة الطاقة والسعي نحو التقدم التكنولوجي، لطالما شكل الابتكار والاختراقات في تكنولوجيا البطاريات قوة دافعة للتغيير الاجتماعي. فمن الاستكشاف النظري في المختبرات إلى التطبيقات العملية في الإنتاج المؤسسي، بات التكامل العميق بين الصناعة والأوساط الأكاديمية والبحثية محركًا قويًا يدفع مجال البطاريات قدمًا.

انطلاقاً من هذا البحث، حققت شركة فاراسيس للطاقة، بصفتها مزوداً عالمياً متكاملاً لحلول الطاقة، إنجازاتٍ بارزة في دفع عجلة التنمية المستدامة لتكنولوجيا البطاريات من خلال الابتكار التكنولوجي. وتشمل محفظة منتجاتها أنظمة مواد متنوعة، بما في ذلك البطاريات الثلاثية عالية النيكل، وبطاريات فوسفات الحديد الليثيوم، وبطاريات أيونات الصوديوم، فضلاً عن أنواع مختلفة من البطاريات، مثل البطاريات السائلة والصلبة. ولا شك أن هذا البحث يُعمّق مفهوم التنمية القائمة على الابتكار، وبناءً على هذا النهج المبتكر، فإنه يمتلك القدرة على إطلاق موجة جديدة من التكامل بين الصناعة والأوساط الأكاديمية والبحثية.

بالنسبة للأستاذ سونغ زيو، وهو شخصية بارزة في هذا البحث، كانت هذه أيضاً محاولة مهمة لتطبيق النظرية عملياً. ومن المفهوم أن...يركز بحث البروفيسور سونغ زيو على المركبات الكهربائية وأنظمة تخزين الطاقة ونمذجة البطاريات وإدارتها.نشر أكثر من 70 بحثًا في أبرز المجلات المتخصصة في الطاقة والكهرباء، مثل IEEE وEnergy، ودمج مرارًا وتكرارًا الذكاء الاصطناعي مع مجال الطاقة لاقتراح أساليب مبتكرة. فعلى سبيل المثال، يهدف أسلوبه المُعتمد على الشبكات العصبية الالتفافية والغابات العشوائية، والذي اقترحه بالتعاون مع هيث هوفمان، إلى حل مشكلة التقدير الدقيق لحالة بطاريات الليثيوم أيون. ويركز هذا الأسلوب على سيناريو "عدم اكتمال شحن وتفريغ البطاريات" في الاستخدام اليومي، كما هو الحال في المركبات الكهربائية التي لا تُشحن بالكامل في كل مرة. في هذه الحالة، غالبًا ما تكون الطرق التقليدية لتقدير حالة البطارية غير دقيقة.

عنوان الورقة:

تقدير دقيق لحالة صحة بطاريات الليثيوم أيون باستخدام الشبكة العصبية الالتفافية والغابة العشوائية
عنوان الورقة:

https://arxiv.org/pdf/2010.10452v1

إلى جانب هذا البحث، تحققت نجاحات سابقة في التعاون بين الصناعة والأوساط الأكاديمية والبحثية في مجال ابتكار البطاريات، مثل الشراكة بين جامعة هانغتشو ديانزي وجامعة تشجيانغ ومجموعة تيانينغ للبطاريات. وقد جمعوا بين خصائص معاملات الارتباط والشبكات العصبية لاقتراح خوارزمية للكشف عن أعطال قصر الدائرة الداخلية في حزم البطاريات، تعتمد على ارتباط رتبة سبيرمان مع شبكة عصبية متكررة ثنائية الاتجاه ذات بوابات ثلاثية القنوات (TBi-GRU). تستطيع هذه الطريقة الكشف بدقة عن أعطال قصر الدائرة الداخلية في حزم البطاريات، مما يوفر نهجًا جديدًا وإلهامًا للكشف المبكر عن أعطال حزم البطاريات وضمان سلامتها.

عنوان الورقة:

نظام كشف أعطال قصر الدائرة الداخلية في حزمة البطاريات باستخدام معامل ارتباط رتبة سبيرمان مع الشبكة العصبية
عنوان الورقة:

https://jeit.ac.cn/en/article/doi/10.11999/JEIT210975

في الختام، أثبت التعاون الوثيق والمتميز بين الصناعة والأوساط الأكاديمية والبحثية في مجال ابتكار البطاريات مرارًا وتكرارًا وبشكل واضح أن الذكاء الاصطناعي لم يعد مجرد أداة خارجية في البحث والتطوير في مجال البطاريات، بل أصبح محركًا أساسيًا داخليًا يقود تحولات جذرية في اكتشاف الآليات الأساسية، والتصميم الهندسي، وإدارة دورة حياة المنتج بالكامل. وعلى وجه الخصوص، فإن ظهور أساليب مبتكرة مثل التعلم العميق يوجه البحث والتطوير في مجال البطاريات بعيدًا عن نموذج "التجريب والتجربة والخطأ" المكلف وطويل الأمد، نحو نموذج جديد هو "التصميم التنبؤي" المدفوع بدمج البيانات والفيزياء. وهذا لا يوفر مسارًا تقنيًا جديدًا لحل "معضلة الاستدامة" في ابتكار البطاريات فحسب، بل يبشر أيضًا بعصر جديد من التكامل العميق بين الذكاء الاصطناعي وعلوم الطاقة.

مراجع:

1.https://www.nature.com/articles/s41586-025-09951-7
2.https://mp.weixin.qq.com/s/1p5FTWhujytM4Cne6NhFSg
3.https://jeit.ac.cn/en/article/doi/10.11999/JEIT210975
4.https://www.kiphub.com/author/6661bcb287272d556e26f335