【锚定2035·院士谈科学报国】AI for Science 助力电池材料技术新

  编者按：习近平总书记指出，“科学普及是实现创新发展的重要基础性工作。”为助力高水平科技自立自强，中国科协科普部联合光明网推出“院士高端科普”栏目，邀请各领域院士就我国当下热点科技问题给予权威解答，服务引导更多科技工作者提升科研科普能力，促进全民科学素质提升，为科技强国建设贡献科普力量。#千万IP创科普

  当前，AI（人工智能)赛道正如火如荼，而风口已刮向动力电池，包括计算机视觉、机器学习、云计算、大数据等AI技术正成为提升极限制造体系的关键手段。

  电池，这个看似不起眼的小物件，却承载着能源转型、绿色发展的重大使命。从手机、电动车到储能系统，电池无处不在，其性能的提升直接影响着我们的生活质量和社会的可持续发展。然而，电池材料的研发却是一个周期长、成本高、效率低的复杂过程。面对这一挑战，能否借助AI的力量，为电池材料的研发插上翅膀？

  答案是肯定的。近年来，AI在科学研究领域的应用日益广泛，其强大的数据处理和模式识别能力为解决电池材料研发中的难题提供了新的思路。正是基于这样的背景，我们团队开始了AI for Science在电池材料技术上的探索之旅。

  鄂维南院士

  我们的目标很明确，就是要打造一套类似于芯片设计行业EDA工具的电池研发BDA工具。这套工具将利用AI算法，对电池材料的性能和配方进行智能推荐和优化，从而大大缩短研发周期，提高研发效率。这听起来很美好，但实现起来却困难重重。其中，最大的挑战在于如何将AI与实验形成闭环，实现快速的迭代和优化。

  为了解决这个问题，我们采取了“理性设计+实验验证”的策略。首先，利用AI模型对电池材料的性能和配方进行初步预测和推荐。这些模型不是简单的黑箱操作，而是基于物理模型和基本原理构建的。大家知道，在科学研究的场景中，数据是稀缺且宝贵的。因此，可靠的模型必须充分利用每一个数据点，通过物理模型的引导，提高预测的准确性和可靠性。

  接下来，我们将AI模型的推荐结果交给实验团队进行验证。实验团队通过精细的实验操作，对模型的预测结果进行逐一验证，并将实验数据反馈给AI模型进行微调。这样，AI模型就能在不断的学习和迭代中逐渐逼近真实世界的复杂情况，为电池材料的研发提供更加精准的指导。

  在这个过程中，我们遇到了很多挑战。比如，如何整合海量的数据资源？如何构建既准确又高效的AI模型？如何确保AI模型与实验的紧密耦合？这些问题都需要我们不断地探索和实践。但正是这些挑战，激发了我们团队的创新精神和攻坚克难的决心。

  1989年鄂维南（右一）从加州大学洛杉矶分校博士毕业时，与左一陈大岳、中间杨焕安合影

  经过几年的努力，我们取得了一些初步的成果。比如，在电解液配方优化方面，我们的AI模型已经能够给出较为准确的推荐结果，并在实验中得到了验证，提高了电解液的性能，还大大缩短了研发周期。我们在固态电池等领域的尝试，也取得了积极的进展。

  科技自立自强之路任重而道远。AI在电池材料技术上的应用还只是一个开始，未来还有更多的挑战和机遇等待我们去探索和把握。比如，如何进一步提高AI模型的预测精度和泛化能力？如何构建更加完善的实验验证体系？如何推动AI与电池材料技术的深度融合和创新发展？这些都是我们需要思考和解决的问题。

  科学报国是我们每一个科研工作者的使命和责任。只有坚持自主创新，掌握核心技术，我们才能在全球科技竞争中立于不败之地。而AI作为新一轮科技革命的重要驱动力，正为我们提供了前所未有的机遇。我们应该充分利用这一机遇，加强AI在科学研究领域的应用和创新，推动科技自立自强战略的实施和落地。

  （作者：鄂维南，中国科学院院士、北京大学教授；光明网记者宋雅娟采访整理）