计算能力和数据生成的进步使统计学和机器学习技术能够加速各种任务的进展，包括材料特性的预测，化学合成路线的识别以及能量储存材料发现和催化性能，其中准确预测复杂的非线性系统（如锂离子电池）的使用寿命对于加速技术开发至关重要。然而，不同的老化机制，装置可变性和动态操作条件仍然是主要挑战。
斯坦福大学William C. Chueh 和麻省理工学院Richard D. Braatz 团队生成了一个包括124个商业LiFePO4/石墨电池的全面数据集，在快速充电条件下循环，循环寿命从150到2300个不等，这些电池在早期放电电压曲线循环中尚未表现出容量降低，研究者应用机器学习工具来预测循环寿命并对电池进行分类。其中，最佳模型只使用前100个循环数据能够定量预测循环寿命，达到9.1％测试误差（显示初始容量中值增加0.2％），此时大多数电池尚未表现出容量衰退。使用前5个循环对低寿命和高寿命分类，实现了4.9％的错误分类测试误差。这项工作突出说明了将有意识的数据生成与数据驱动建模相结合以预测未来复杂系统行为的能力和前景。
Kristen A. Severson, Peter M. Attia, Norman Jin, Nicholas Perkins, Benben Jiang, Zi Yang, Michael H. Chen, Muratahan Aykol, Patrick K. Herring, Dimitrios Fraggedakis, Martin Z. Bazant, Stephen J. Harris, William C. Chueh, Richard D. Braatz, Data-driven prediction of battery cycle life before capacity degradation, Nature energy, 2019.
DOI: 10.1038/s41560-019-0356-8
