共计 1624 个字符，预计需要花费 5 分钟才能阅读完成。
电动汽车能否行驶更远、智能手机续航能否更持久，很大程度上取决于电池材料的进步。在决定电池性能与寿命的核心材料中，正极材料尤为关键。如果人工智能能替代材料开发中繁琐且大量的实验环节，会发生什么？韩国科学技术院（KAIST）的研究团队近日开发出一种人工智能框架，即使在实验数据有限的情况下，也能准确预测正极材料的颗粒尺寸并评估其预测可靠性，为包括全固态电池在内的下一代能源技术研发开辟了新路径。
（前排左起）洪承范教授、赵恩爱教授（后排左起）姜采烈、Benediktus Madika、文正贤、朴泰珉（顶部）沈柱成
KAIST 于 1 月 26 日宣布，由材料科学与工程系洪承范教授与赵恩爱教授共同领导的研究团队，成功开发出一个机器学习框架。该框架的突出特点是，即使在实验数据不完整的情况下，仍能精准预测电池正极材料的颗粒尺寸，并同时给出预测结果的可靠性评估。
在锂离子电池内部，正极材料是储存与释放能量的核心。目前电动汽车电池最常用的正极材料是基于镍（Ni）、钴（Co）、锰（Mn）的 NCM 基金属氧化物，其性能直接决定了电池的寿命、充电速度、续航里程及安全性。
研究团队指出，构成正极材料的微小一次颗粒的尺寸是影响电池性能的关键参数。颗粒过大可能导致性能衰减，而过小则可能引发稳定性问题。因此，团队致力于开发一种基于人工智能的技术，以准确预测并调控这一关键尺寸。
传统上，确定最佳颗粒尺寸需要反复进行大量实验，不断调整烧结温度、时间与材料配比。然而在实际研发中，往往难以覆盖所有可能的条件组合，导致实验数据存在缺失，这限制了对工艺参数与颗粒尺寸之间关系的深入分析。
为解决这一难题，研究团队设计了一个能够填补缺失数据、并同步输出预测值及其置信度的人工智能框架。该框架的核心在于融合了两项技术：一是基于化学特性填补缺失实验数据的 MatImpute 方法，二是能够计算预测不确定性的概率机器学习模型 NGBoost。
这一 AI 模型不仅能预测颗粒尺寸，还能提供关于预测结果可信度的量化信息，这为研究人员决定在何种条件下实际合成材料提供了关键依据。
利用扩展后的实验数据进行训练，该模型的预测准确率达到了约 86.6%。分析表明，正极材料颗粒尺寸受烧结温度和时间等工艺条件的影响，远大于受材料成分本身的影响，这一发现与已有的实验认知高度吻合。
为验证 AI 预测的可靠性，研究团队进行了一项实验：在固定 NCM811（镍 80%/ 钴 10%/ 锰 10%）成分比例的前提下，合成了四种合成条件未包含在原始数据集中的正极材料样品。结果显示，AI 预测的颗粒尺寸与实际显微镜测量结果高度一致，大多数误差在 0.13 微米（μm）以内，远低于人类头发的直径。特别值得注意的是，所有实际测量值均落在 AI 给出的预测不确定性区间内，这不仅证实了预测值的准确性，也验证了其可靠性评估的有效性。
这项研究的重大意义在于，它为电池材料研发提供了一条新思路：无需穷举所有实验，即可预先筛选出高成功率的合成条件。这种方法有望大幅加速电池材料的开发进程，并显著减少不必要的实验次数与研发成本。
洪承范教授表示：“关键在于，AI 不仅给出了预测值，还提供了结果的可信度。这将有助于更快速、更高效地设计下一代电池材料。”
本研究由材料科学与工程系博士生 Benediktus Madika 作为第一作者主导，相关成果已于 2025 年 10 月 8 日发表在材料与化学工程领域的国际知名期刊《先进科学》（Advanced Science）上。
※论文标题：通过机器学习和化学感知插补对富锂 NCM 材料中一次颗粒尺寸进行不确定性量化预测，DOI：https://doi.org/10.1002/advs.202515694
此项研究由 Benediktus Madika、姜采烈、沈柱成、朴泰珉、文正贤等研究人员，以及赵恩爱教授与洪承范教授的团队共同完成，并获得了韩国科学和信息通信技术部国家研究基金会未来融合技术先锋（战略）项目的支持（项目编号 RS-2023-00247245）。
