Können Sie sich eine Welt ohne Batterien vorstellen? Smartphones, Elektrofahrzeuge und alle Arten von intelligenten Geräten, die rund um die Uhr funktionieren, basieren auf elektrochemischer Energiespeichertechnologie. Anders ausgedrückt: Batterien sind nicht mehr nur Energiespeicher, sondern „unsichtbare Organe“, die das moderne Leben, die industrielle Entwicklung und den technologischen Fortschritt ermöglichen. Doch genau wie lebende Organismen altern und verschleißen auch sie irgendwann.Auch bei Batterien können Probleme auftreten, wie z. B. Kapazitätsverlust, Leistungsverschlechterung und ein unvorhersehbarer Gesundheitszustand.Dies hat sich zu einem zentralen Problem entwickelt, das technologische Innovationen und die Energiewende behindert.

Eine präzise und effiziente Vorhersage der Batterielebensdauer ist entscheidend für die Forschung und den großflächigen Einsatz von Batterien der nächsten Generation, da sie deren Zuverlässigkeit, Sicherheit und Gesamtlebenszykluskosten direkt bestimmt. Der Weg zu dieser Forschung ist jedoch mit zahlreichen Schwierigkeiten behaftet:Erstens ist da der hohe Zeitaufwand.Die Vorhersage der gesamten Lebensdauer einer einzelnen Batterie erfordert oft jahrelange, engagierte Arbeit, was deutlich hinter dem Tempo der Forschung und Entwicklung zurückbleibt.Zweitens sind da die enormen Energiekosten.Wiederholte Prototypenentwicklung und Tests von Batterien verbrauchen viel Energie und verursachen erhebliche CO₂-Emissionen. Können diese beiden großen Herausforderungen nicht bewältigt werden, steigen nicht nur die Innovationskosten erheblich, sondern die Batterieentwicklung gerät auch in ein widersprüchliches „Nachhaltigkeitsdilemma“: Batterietechnologien, die nachhaltige Energie fördern, können in ihren Forschungs- und Entwicklungsmodellen selbst keine Nachhaltigkeit erreichen.

Vor diesem Hintergrund leiteten Professor Song Ziyou von der University of Michigan, Ann Arbor, und Jiang Weiran, Vizepräsident für Forschung und Entwicklung bei Farasis Energy, gemeinsam das Projekt.Es schlägt auf innovative Weise eine wissenschaftliche Methode des maschinellen Lernens vor, die als „Discovery Learning (DL)“ bezeichnet wird.Inspiriert von der Pädagogischen Psychologie integriert diese Methode auf organische Weise aktives Lernen, physikalisch eingeschränktes Lernen und Zero-Shot-Learning, um ein menschenähnliches, geschlossenes Lernmodell für logisches Denken zu entwickeln. Unter konservativen Annahmen, verglichen mit industriellen Verfahren zur Überprüfung der Batterielebensdauer,Das entdeckende Lernen ermöglicht Zeitersparnisse bei der Evaluierung des 98% und Energieeinsparungen beim 95%, wodurch sich der Validierungszyklus von etwa 1.333 Tagen auf 33 Tage und der Energieverbrauch von 8,523 MWh auf 0,468 MWh reduziert.

Die entsprechenden Forschungsergebnisse mit dem Titel „Discovery Learning predicts battery cycle life from minimal experiments“ wurden in Nature veröffentlicht.

Forschungshighlights:

* Wir schlagen ein innovatives wissenschaftliches maschinelles Lernmodell vor, DL, das aktives Lernen, physikalisch eingeschränktes Lernen und Zero-Shot-Lernen organisch integriert, um einen menschenähnlichen geschlossenen Lernrahmen für logisches Denken zu konstruieren. 

Es wurde ein Degradationsdatensatz mit 123 Lithium-Ionen-Pouchbatterien in Industriequalität mit hoher Kapazität erstellt, der die Lücke in den öffentlich zugänglichen Datensätzen zu Batterien mit hoher Kapazität in der Batteriedegradationsforschung schließt.

* Bei der Evaluierung des 98% wurden Zeiteinsparungen erzielt und beim 95% Energieeinsparungen erzielt, wodurch sich der Validierungszyklus von etwa 1.333 Tagen auf 33 Tage verkürzte.

Papieradresse:

https://www.nature.com/articles/s41586-025-09951-7
Folgen Sie unserem offiziellen WeChat-Konto und antworten Sie im Hintergrund mit „Discover Learning“, um das vollständige PDF zu erhalten.

Erstellen Sie einen Datensatz zur Batteriealterung in Industriequalität und einen öffentlichen Trainingsdatensatz mit geringer Kapazität.

Um die Effektivität der entdeckenden Lernmethode zu überprüfen, erstellte das Forschungsteam einen Datensatz zur Batteriealterung in Industriequalität als Testdatensatz, wie in der folgenden Abbildung dargestellt:

P steht für eine Pouchzellenbatterie, A für eine kundenspezifische Codierung; die Lebensdauer liegt zwischen 250 und 1700 Zyklen.

Dieser Testsatz enthält 123 große Lithium-Ionen-Pouchzellen (73–84 Ah Kapazität), die 8 verschiedene Zelltypen abdecken.Diese Zellen verwenden unterschiedliche positive und negative Elektrodenmaterialien bzw. Batteriedesigns, nämlich: PA-B1, PA-B2, PA-B3, PB-B1, PB-B2, PC-B1, PC-B2 und PD. Zwischen den Zelltypen PA (280 Wh kg⁻¹), PB (286 Wh kg⁻¹), PC (286 Wh kg⁻¹) und PD (315 Wh kg⁻¹) bestehen signifikante Designunterschiede, während die Unterschiede zwischen Modellen innerhalb derselben Charge, wie z. B. PB-B1 und PB-B2, minimal sind. Abgesehen von der PD-Zelle, die eine positive Elektrode aus NMC9 (LiNi₀.₉Mn₀.₀₅Co₀.₀₅O₂, Nickelatomprozent 90%) und eine negative Elektrode aus Silizium-Kohlenstoff (Si-C) verwendet, basieren die anderen Zellen auf einer positiven Elektrode aus NMC811 und einer negativen Elektrode aus Graphit.

Es ist erwähnenswert, dassDerzeit existiert in der Branche kein vollständig validierter Datensatz für Batterien mit hoher Kapazität. Der vom Forschungsteam vorgeschlagene Datensatz schließt diese Lücke in den Forschungsdaten zur Degradation.Dies legte den Grundstein für die weitere Erforschung von Hochleistungsbatterien.

Um eine präzise und effiziente Methode des entdeckenden Lernens zu entwickeln, erstellte das Forschungsteam einen kostenlosen öffentlichen Datensatz, der auf zylindrischen Batterien mit geringer Kapazität als Trainingsdatensatz basiert.

Der Trainingsdatensatz besteht aus 200 zylindrischen Batterien mit geringer Kapazität (1,1–3,5 Ah) aus 6 verschiedenen kommerziellen Modellen.Es handelt sich um A123-M1A (Lithium-Eisenphosphat/Graphit, 83 Wh kg⁻¹), LG-HG2 (NMC811/SiOₓ–Graphit, 246 Wh kg⁻¹), LG-MJ1 (NMC811/Si–C, 255 Wh kg⁻¹), Samsung-25R (NiCoAl–NMC622/Si–C, 216 Wh kg⁻¹), Sony-VTC5A (NCA/SiOₓ–Graphit, 196 Wh kg⁻¹) und Sony-VTC6 (NCA/SiOₓ–Graphit, 246 Wh kg⁻¹).

Abbildung b veranschaulicht die Verwendung des öffentlichen Datensatzes; Abbildung c zeigt eine Nahaufnahme der Top 50 EFCs (Äquivalente Vollzykluszahlen).

Während der EvaluierungsphaseDas Forschungsteam teilte die 123 Batterien in 37 weitgehend konsistente Versuchsgruppen ein, basierend auf Unterschieden in Material, Design und Testbedingungen.Das ultimative Vorhersageziel ist die durchschnittliche Zyklenlebensdauer jeder Gruppe. Die Fehleranalyse wird sowohl auf Einzelzellen- als auch auf Akkupack-Ebene durchgeführt, um die Leistungsfähigkeit und die Möglichkeiten des Verfahrens umfassend zu überprüfen.

Integration von aktivem Lernen, physikalisch beschränktem Lernen und Zero-Shot-Lernen

Herkömmliche Methoden zur Vorhersage der Batterielebensdauer basieren im Wesentlichen auf zwei Ansätzen: physikalischen Modellen und datengetriebenen Verfahren. Obwohl diese Methoden theoretisch unbegrenzte Möglichkeiten bieten, weisen sie in der Praxis gravierende Schwächen auf. Beim physikalischen Modell schränkt das unvollständige Verständnis der Batteriealterungsmechanismen die Vorhersagegenauigkeit ein und behindert so langfristige Fortschritte. Das datengetriebene Verfahren erfordert ein umfangreiches Training durch zahlreiche zusätzliche Batteriealterungsexperimente, und historische Daten können nicht vollständig wiederverwendet werden. Noch kritischer ist, dass diese Methoden typischerweise erst nach der Herstellung von Batterieprototypen zuverlässige Vorhersagen liefern, was insbesondere bei der Skalierung auf großflächige Anwendungen einen erheblichen Effizienzengpass darstellt.

Discovery Learning ist eine flexible und skalierbare wissenschaftliche Methode des maschinellen Lernens, die schnelle und zuverlässige wissenschaftliche Vorhersagen ermöglicht.Es gewährleistet nicht nur die Genauigkeit und Effizienz des Vorhersageprozesses, sondern minimiert auch die für Training und Inferenz erforderlichen experimentellen Kosten.Diese Methode profitiert von Bruners Theorie des entdeckenden Lernens aus den 1960er Jahren, die besagt, dass die Effizienz menschlichen Lernens und Denkens nicht allein auf direkter Beobachtung beruht; neue Schlussfolgerungen können auch aus Vorwissen und Erfahrung abgeleitet werden. Daher lässt sich das Leitprinzip des entdeckenden Lernens wie folgt interpretieren:Zuverlässige Vorhersagen werden durch das Lernen aus kostenlosen historischen Batteriedaten und die Durchführung von markierten Abfragen an ungelabelten Testdatensätzen getroffen.Dieses Prinzip reduziert nicht nur die Kosten für Training und Schlussfolgerung erheblich, sondern ermöglicht auch eine effiziente wissenschaftliche Vorhersage.

Hinsichtlich konkreter Implementierungsmethoden wird ein geschlossener Lernrahmen für menschenähnliches Denken konstruiert, um aktives Lernen, Lernen unter physikalischen Beschränkungen und Zero-Shot-Lernen organisch zu integrieren.Das Forschungsteam entwarf drei korrespondierende Lernmodule und definierte drei Kernagenten (wie in der folgenden Abbildung dargestellt): Lernender, Interpret und Orakel.

Der Interpreter ist der Ausführende des Lernens physikalischer Beschränkungen und die Grundlage für die Merkmalskonstruktion beim entdeckenden Lernen.Kern dieser Methode ist die Behebung der Diskrepanz in der Merkmalsverteilung zwischen historischen und neuen Batterien. Dazu werden elektrochemische Zyklendaten von Batterien in einen universell interpretierbaren physikalischen Merkmalsraum transformiert, wodurch eine einheitliche Merkmalsgrundlage für die anschließende Lebensdauerprognose geschaffen wird. Konkret verwendet der Interpreter dieser Methode simulationsbasierte Inferenztechniken in Kombination mit einem physikalisch-elektrochemischen Modell.

Oracle wurde speziell für Zero-Shot-Learning entwickelt und bildet den Kern der initialen Inferenz für das entdeckende Lernen.Die Kernlösung befasst sich mit dem Problem der „überhöhten Datenerfassungskosten“ bei der Batterielebensdauerprognose und ermöglicht die Vorhersage der Lebensdauer allein anhand historischer Batteriedaten, ohne dass für neue Batteriedesigns Degradationsversuche erforderlich sind. Die Forschung entwirft eine Architektur mit zwei Prädiktoren, bestehend aus einem Basisprädiktor und einem Metaprädiktor. Der Basisprädiktor verwendet physikalische Eigenschaften als Eingangsgröße und gibt die Batterielebensdauer aus. Er basiert auf einem linearen Modell in Kombination mit einem Elastic-Net-Algorithmus. Der Metaprädiktor verwendet zyklische Betriebsbedingungen als Eingangsgröße und gibt die Gewichtungskoeffizienten jeder physikalischen Eigenschaft aus. Er basiert auf einem Support-Vector-Regression-Modell.

Learner ist der Ausführende des aktiven Lernens und der Kern der Effizienzoptimierung für entdeckendes Lernen.Das Hauptziel besteht darin, die Kosten experimenteller Auswertungen weiter zu senken. Durch die aktive Auswahl von Stichproben mit dem höchsten Informationswert wird die Anzahl der Batterieprototypen, für die experimentelle Merkmale extrahiert werden müssen, reduziert. Dies ermöglicht letztendlich eine Lebensdauervorhersage für das gesamte Batteriedesign mit minimalem Aufwand. Das Vorhersagemodell von Learner basiert in dieser Studie auf dem Gaußprozess-Regressionsalgorithmus, der mit dem scikit-learn-Toolkit erstellt wurde, und verwendet sowohl unüberwachte als auch überwachte Abfragestrategien zur Stichprobenauswahl.

Speziell,Der Lerner wählt proaktiv die informativsten Testbeispiele aus dem historischen Batteriedesign-Datensatz aus. Anschließend nutzt der Interpreter physikalisches Constraint-Learning, um einen allgemeinen und interpretierbaren physikalischen Merkmalsraum zu konstruieren und so die Unterschiede in der Merkmalsverteilung zwischen historischen und unbekannten Batterien zu eliminieren. Daraufhin führt das Orakel Zero-Shot-Learning durch, trifft eine vorläufige Inferenz auf Basis des vom Interpreter erstellten Merkmalsraums für die ausgewählten Testbeispiele und gibt die Ergebnisse als „Pseudo-Labels“ an den Lerner zurück.Dieser Vorgang wird so lange wiederholt, bis die voreingestellte Abbruchbedingung erfüllt ist, womit der gesamte Vorhersageprozess abgeschlossen ist.

Zusammenfassend lässt sich sagen, dass die Anwendung von Methoden des entdeckenden Lernens zur Vorhersage der Zyklenlebensdauer unbekannter Batteriedesigns den Bedarf an zusätzlichen Degradationsexperimenten zur Lebensdauerbestimmung eliminiert und die für die Gewinnung erster physikalischer Eigenschaften erforderliche Prototypenfertigung erheblich reduziert. Dies bietet einen neuen Ansatz zur schnellen Validierung der Batterielebensdauer und zur Bereitstellung effizienten und präzisen Feedbacks für Batteriedesigns, wodurch die Batterieinnovation beschleunigt und Herausforderungen im Bereich der Nachhaltigkeit bewältigt werden.

Zeitersparnis mit dem 98% und Energieeinsparung mit dem 95%.

In dieser Studie demonstrierte das Forschungsteam die Fähigkeit, auf der Grundlage von Testdatensätzen Erkenntnisse über die Lebensdauer neuartiger Batteriedesigns mit unbekannter Gerätevariabilität zu gewinnen.Der mittlere absolute prozentuale Fehler (MAPE) von 7,2% kann allein durch die Verwendung der Daten aus den ersten 50 äquivalenten vollständigen Lade-Entlade-Zyklen des 51 % Batterieprototyps erreicht werden.Darüber hinaus wird diese hohe Präzision durch einen Nullstichprobenansatz erreicht, der die bisherigen, ausgereiften und repräsentativen Forschungsergebnisse übertrifft. Unter konservativen Annahmen gilt Folgendes:Im Vergleich zu industriellen Verfahren zur Überprüfung der Batterielebensdauer kann durch entdeckendes Lernen eine Zeitersparnis bei der Auswertung für den 98% und eine Energieersparnis für den 95% erzielt werden.

Darüber hinaus evaluierte das Forschungsteam die Überlegenheit der Methode des entdeckenden Lernens anhand von Vorhersageexperimenten mit offenen und geschlossenen Regelkreisen.

Vorhersageleistung im offenen Regelkreis

In diesem Experiment wird lediglich die Vorhersageleistung des Interpreters und des Orakels im offenen Regelkreis demonstriert; der Lerner ist weder an der Datenauswahl noch am Lernprozess beteiligt (siehe Abbildung unten). Unter Bedingungen unbekannter Fertigungsvariabilität,Oracle erzielte einen mittleren absoluten prozentualen Fehler auf Gruppenebene von 6,41 TP3T und einen mittleren quadratischen Fehler (RMSE) von 64 Zyklen bei der Vorhersage der durchschnittlichen Zyklenlebensdauer von 37 Akkus.

Es ist erwähnenswert, dass der mittlere absolute prozentuale Fehler in Batteriequalität 9,1% beträgt und der mittlere quadratische Fehler 70 Zyklen beträgt.Dies deutet darauf hin, dass der durchschnittliche absolute prozentuale Fehler auf Gruppenebene von 6,4% hauptsächlich auf die genaue Vorhersage von 123 einzelnen Zellen zurückzuführen ist und nicht auf einen Zufall, der durch den Mittelwert auf Gruppenebene verursacht wird.Des Weiteren erreichte der Pearson-Korrelationskoeffizient 0,97. Diese Ergebnisse bestätigen gegenseitig die Vorhersagekraft der DL-Methode.

Anschließend wurde im Experiment das SHAP-Framework (SHapley Additive exPlanations analysis) eingesetzt, um die relative Bedeutung physikalischer Eigenschaften im Zusammenhang mit thermodynamischen und kinetischen Merkmalen in den frühen Zyklierungsphasen zu klären (Abbildungen c und e oben). Dadurch konnten die wichtigsten physikalischen Faktoren identifiziert werden, die den größten Einfluss auf die Batterielebensdauer haben. Abbildung d veranschaulicht die Veränderung der Bedeutung physikalischer Eigenschaften unter verschiedenen Zyklierungsbedingungen.

Vorhersageleistung im geschlossenen Regelkreis

Dieses Experiment beinhaltet das Lernmodul. Learner wählt proaktiv die aussagekräftigsten Testbeispiele aus 37 Akkupacks aus und führt anschließend eine geschlossene Leistungsvorhersage durch.Der experimentelle Ablauf ist in der folgenden Abbildung dargestellt. Es zeigte sich, dass der Lernprozess ein auf primärer Inferenz basierendes „Pseudo-Label“-Verfahren verwendet, um den experimentbasierten Labeling-Prozess im aktiven Lernen zu ersetzen, wodurch der experimentelle Aufwand weiter reduziert wird.

Letztendlich, bei der Vorhersage der durchschnittlichen Zyklenlebensdauer der 37 Akkus,Die Module Oracle und Learner erzielten in Zusammenarbeit einen mittleren absoluten prozentualen Fehler auf Gruppenebene von 7,21 TP3T, mit einem mittleren quadratischen Fehler von 91 Zyklen.Dieses Ergebnis stellt zwar eine Verbesserung gegenüber dem Open-Loop-Experiment dar, liefert aber nur eine begrenzte Bestätigung der Leistungsvorteile des Closed-Loop-Systems.

insgesamt,Diese Studie bestätigt, dass entdeckendes Lernen die Lebensdauer und Effizienz von Batterien anhand historischer Daten und einer sehr geringen Anzahl von Experimenten vorhersagen kann.Wichtiger noch: Neben der Batterieentwicklung lässt sich diese Methode auch auf die Überprüfung weiterer Leistungsindikatoren von Batterien ausweiten, wie etwa Sicherheit, Schnellladefähigkeit und Batteriemanagement, sofern in anderen Bereichen geeignete historische Datensätze vorhanden sind. Diese Forschung legt somit eine solide theoretische und praktische Grundlage für die Kostensenkung bei Batterieinnovationen und die Beschleunigung ihrer Anwendung.

Enge Zusammenarbeit zwischen Industrie, Wissenschaft und Forschung: KI beschleunigt Batterieinnovationen.

Im Zeitalter der Energiewende und des Strebens nach technologischem Fortschritt sind Innovationen und Durchbrüche in der Batterietechnologie seit Langem eine treibende Kraft des gesellschaftlichen Wandels. Von der theoretischen Forschung im Labor bis hin zu praktischen Anwendungen in der Unternehmensproduktion entwickelt sich die enge Verzahnung von Industrie, Wissenschaft und Forschung zu einem starken Motor für die Weiterentwicklung der Batterietechnologie.

Farasis Energy, ein globaler Anbieter integrierter Energielösungen, hat anhand dieser Forschung bereits bedeutende Fortschritte bei der Förderung nachhaltiger Batterietechnologie durch technologische Innovationen erzielt. Das Produktportfolio umfasst verschiedene Materialsysteme, darunter ternäre Hoch-Nickel-Batterien, Lithium-Eisenphosphat- und Natriumionen-Batterien sowie verschiedene Batterietypen wie Flüssig- und Festkörperbatterien. Diese Forschung implementiert und vertieft zweifellos das Konzept der innovationsgetriebenen Entwicklung und birgt mit diesem innovativen Ansatz das Potenzial, eine neue Welle der Integration zwischen Industrie, Wissenschaft und Forschung auszulösen.

Für Professor Song Ziyou, eine führende Persönlichkeit in diesem Forschungsgebiet, war es auch ein wichtiger Versuch, die Theorie in die Praxis umzusetzen. Es versteht sich von selbst, dass...Die Forschungsschwerpunkte von Professor Song Ziyou liegen auf Elektrofahrzeugen, Energiespeichersystemen, Batteriemodellierung und -management.Er hat über 70 Artikel in führenden Fachzeitschriften für Energie und Stromerzeugung wie IEEE und Energy veröffentlicht und wiederholt KI mit dem Energiebereich kombiniert, um innovative Methoden zu entwickeln. Beispielsweise zielt seine gemeinsam mit Heath Hofman entwickelte robuste Schätzung des Gesundheitszustands von Lithium-Ionen-Batterien auf Basis von Convolutional Neural Networks und Random Forests darauf ab, das Problem der präzisen Schätzung des Batteriezustands zu lösen. Der Fokus liegt dabei auf dem realen Szenario, dass Batterien im Alltag nicht vollständig geladen und entladen werden, wie beispielsweise bei Elektrofahrzeugen, die nicht jedes Mal vollständig geladen werden. In diesem Fall sind herkömmliche Methoden zur Schätzung des Batteriezustands meist ungenau.

Titel des Papiers:

Robuste Zustandsschätzung von Lithium-Ionen-Batterien mittels Convolutional Neural Network und Random Forest
Papieradresse:

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

Neben dieser Forschung gab es bereits Erfolge in der Zusammenarbeit zwischen Industrie, Wissenschaft und Forschung im Bereich der Batterieinnovation, beispielsweise die Partnerschaft zwischen der Hangzhou Dianzi University, der Zhejiang University und der Tianneng Battery Group. Sie kombinierten die Eigenschaften von Korrelationskoeffizienten und neuronalen Netzen, um einen Algorithmus zur Erkennung interner Kurzschlüsse in Batteriepacks zu entwickeln. Dieser basiert auf der Spearman-Rangkorrelation in Kombination mit einem dreikanaligen, bidirektionalen, gated recurrent neuralen Netzwerk (TBi-GRU). Mit dieser Methode lassen sich interne Kurzschlüsse in Batteriepacks präzise erkennen. Sie bietet einen neuen Ansatz und liefert wichtige Impulse für die Früherkennung von Batteriepackfehlern und trägt somit zur Erhöhung der Batteriesicherheit bei.

Titel des Papiers:

Erkennung interner Kurzschlüsse in Akkupacks basierend auf Spearman-Rangkorrelation in Kombination mit einem neuronalen Netzwerk
Papieradresse:

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

Zusammenfassend lässt sich sagen, dass die beispielhafte, enge Zusammenarbeit zwischen Industrie, Wissenschaft und Forschung im Bereich der Batterieinnovation wiederholt und eindeutig gezeigt hat, dass künstliche Intelligenz (KI) in der Batterieforschung und -entwicklung kein externes Werkzeug mehr ist, sondern vielmehr ein integraler Bestandteil, der Paradigmenwechsel in der Entdeckung grundlegender Mechanismen, im technischen Design und im gesamten Lebenszyklusmanagement vorantreibt. Insbesondere innovative Methoden wie Deep Learning (DL) führen die Batterieforschung und -entwicklung weg von einem kostenintensiven, langwierigen Modell des „Experimentierens und Ausprobierens“ hin zu einem neuen Paradigma des „prädiktiven Designs“, das auf der Fusion von Daten und physikalischen Prinzipien basiert. Dies eröffnet nicht nur einen neuen technologischen Weg zur Lösung des Nachhaltigkeitsdilemmas der Batterieinnovation, sondern leitet auch eine neue Ära der tiefen Integration von KI und Energiewissenschaft ein.

Quellen:

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