电池电压看似正常，锂却已析出：算法给电池装上“虚拟电极”
一块电池的总电压仍在正常范围，负极表面却可能已经开始长出金属锂。UCLA团队用55只三电极纽扣电池训练模型，再让普通两电极电池只凭电压、电流等现成信号，实时估计这项难测的内部电位，并据此调慢充电。新意不是“AI预测电池寿命”，而是让算法进入闭环控制，在危险发生前改变充电动作。
只看总电压还不够：算法开始推测电池内部的危险电位
快充最危险的故障会“隐身”，虚拟电极试着把它找出来
一块电池的总电压仍在正常范围，负极表面却可能已经开始长出金属锂。UCLA团队用55只三电极纽扣电池训练模型，再让普通两电极电池只凭电压、电流等现成信号，实时估计这项难测的内部电位，并据此调慢充电。新意不是“AI预测电池寿命”，而是让算法进入闭环控制，在危险发生前改变充电动作。
总电压正常，不代表每一极都安全
给锂离子电池充电时，锂离子从正极出发，穿过电解液，嵌入石墨负极。理想情况下，它们住进石墨层间；当充电太快、温度太低，或电极设计把安全余量压得太窄时，一部分锂来不及嵌入，便以金属形态沉积在负极表面。这就是“析锂”（lithium plating）。
析锂会消耗可循环的锂和电解液，加速容量衰减。更坏的情况下，沉积物继续长成苔藓状或枝晶状结构，增加内短路和热失控风险。问题在于，车辆和储能系统常用的电池管理系统（BMS）主要看到整只电芯的端电压、电流和温度。端电压是正负极电位之差；一个看起来合规的差值，可能掩盖负极已经逼近危险边界。
实验室解决这个问题的经典办法，是给电池加入第三根参照尺——参考电极。它能把正极和负极的电位分别量出来。对石墨负极而言，当其相对于锂/锂离子参比的电位降到0伏以下，金属锂沉积在热力学上变得有利。但把参考电极长期、稳定、批量地塞进商业电芯，会改变结构，也增加制造和可靠性负担。
8月11日发表于《自然·通讯》的研究提出另一条路线：不增加一根真实电极，而是用模型估计它本应读到的负极电位。团队把它称为“虚拟参考电极”（virtual reference electrode）。论文原文
先用55只电池教会模型“看里面”
虚拟传感器的前提，是先有足够多的真实内部读数。研究人员组装了55只石墨负极—磷酸铁锂正极的三电极CR2032纽扣电池，在多种充电电流和阶梯式电流下循环，积累约980万条负极电位数据。所有电化学测试都在25°C进行。
模型的输入并不神秘：都是普通两电极系统可测或可算的信号，包括端电压、电流、容量、能量，以及前2至8秒的滞后值。研究者先从65个候选特征中筛出5个，再训练由5个前馈神经网络组成的集成模型。测试集占全部逐秒测量点的22%，约220万条；平均绝对误差为0.018伏，均方根误差为0.023伏。
数字本身还不能证明模型认出了析锂。于是团队做了更直接的检验：让两电极电池充到模型预测的不同负极电位后停机拆解，再用扫描电子显微镜观察石墨表面。预测值为0.01伏或0伏时，几乎看不到金属锂；降至−0.01伏时，锂覆盖面积超过10%；到−0.02伏时，覆盖超过50%，并出现丝状、苔藓状沉积。
这组“预测—拆解—观察”的对应关系很重要。它没有把统计误差直接翻译成安全承诺，而是用材料表面的变化确认：模型读数越过0伏附近时，电池里的反应路径确实发生了转折。
但仍要注意，研究采用的是事后显微观察，而不是在同一只电池里连续拍摄析锂过程；每个停机状态用了3只重复电池。它证明了预测值与沉积形貌相符，还不是覆盖不同尺寸、电芯化学与工况的通用安全认证。
传感之后，关键是让充电器立刻改变动作
很多电池AI研究止步于诊断：模型告诉你电池可能衰老，却不直接改变下一秒的控制。这项工作的推进在于，它把虚拟电位接回充电回路。
智能充电从2.37毫安/平方厘米开始。每当模型预测的负极电位触及0.02伏——比理论析锂边界多留0.02伏工程余量——系统就把电流下调0.237毫安/平方厘米，最低降至0.948毫安/平方厘米。一次从采样、通信、模型推理到更新电流的闭环延迟约115毫秒。若通信延迟、输入异常或模型失败，控制程序退回预设的保守恒流—恒压方案。
研究人员刻意选择了容易出问题的电池：负极与正极容量比（N/P比）约为1.0，低于论文引用的1.1至1.2安全建议区间。较低N/P比能减少负极冗余，提高材料利用率，却也让析锂余量更小。在这一压力测试下，其中一只传统恒流—恒压对照电池在第4个循环就测到负极电位跌破0伏，尽管其端电压和容量在前30个循环看起来仍大致正常。
采用虚拟电极控制后，达到80%容量保持率之前的平均循环寿命，是传统方案的8.25倍，平均充电速度相当或更高。拆解也显示，传统组寿命末期有明显金属锂，智能充电组的石墨表面更接近原始状态。原始数据集
这是全文最抓眼的数字，也是最容易被误写的数字。它不是“所有电池寿命提高8.25倍”，更不是量产电动车道路验证。循环寿命比较中，每种协议只有3只独立电池；对象是25°C下、N/P比约1.0的石墨—磷酸铁锂纽扣电池。这个设计的价值在于制造一个清楚、可复现的析锂难题，以验证闭环是否能工作；代价是它距离方形、圆柱或软包量产电芯仍有很长的验证链。
从加传感器，转向估计“不可测状态”
电池管理一直面临两种选择。第一种是增加硬件：压力、应变、声学、光纤或参考电极能提供新的物理信号，却要承担成本、封装与耐久性。2022年的一项《自然·通讯》研究就用外部压力信号检测析锂，并据此动态降流，证明了“发现危险后立即改动作”的闭环价值。压力传感研究
第二种是构建电化学模型，由端电压和电流反推负极状态。它的优点是物理可解释，困难是参数会随老化、温度和制造差异漂移，高保真模型还可能过重。新研究选择了第三种折中：在开发阶段用真实参考电极取得标签，在部署阶段只保留现有信号，以集成神经网络实时近似那根被拿掉的电极。
这真正移动的边界，不是预测精度排行榜，而是软件能否获得一个可用于控制的内部变量。普通“健康度”分数往往只能提示剩余寿命；负极电位则直接连接析锂机制和0伏附近的物理边界。模型输出因此不只是仪表盘上的数字，而能成为控制器决定“此刻继续快充，还是退一步”的依据。
对产业而言，这也改变了数据的角色。要把虚拟电极迁移到不同配方、尺寸、供应商与温区，企业必须在开发阶段建立高质量三电极数据，并保持量产电芯与训练分布之间的可追溯关系。拥有电池数据、材料知识和控制软件的人，可能比只会训练通用模型的人更有优势。
这里还有一个容易被忽略的制度变化。传统充电曲线是一张事先写好的规则表，责任边界相对清楚：电芯厂给出窗口，BMS按窗口执行。虚拟传感进入闭环后，安全边界会随模型输入而动态移动。谁负责证明训练数据覆盖了冬季低温、老化电芯和制造偏差？软件升级后是否要重新验证整套充电策略？当电芯配方被供应商悄然调整，旧模型还能否继续使用？这些问题会把电池算法从功能优化推向安全关键软件治理。
这也解释了为什么平均误差不是最后答案。0.023伏的均方根误差与0.02伏的控制余量处在相近数量级；研究者因此专门分析阈值附近的假阴性，并选择提前降流。但量产决策还要知道误差分布的尾部：极少数漏报发生在什么温度、荷电状态和老化阶段，以及系统能否在模型置信不足时主动退回保守模式。对安全系统而言，“知道自己不知道”往往比把平均误差再压低几毫伏更重要。
量产之前，模型还要过四道关
第一道关是尺度。纽扣电池内部相对均匀，汽车电芯却存在面内温差、电流密度不均和局部老化。一个平均负极电位预测得很准，仍可能漏掉某个角落先发生的析锂。
第二道关是分布外工况。论文测试了未见过的部分充电倍率和阶梯协议，但作者明确写道，温度、静置时长及更广泛BMS工况仍待系统映射。尤其在低温快充场景，动力学变化可能让训练于25°C的数据失效。
第三道关是化学体系。研究只验证了石墨—磷酸铁锂。硅碳负极、高镍正极、不同电解液和不同N/P比会改变电位曲线与老化机制。虚拟电极的“概念”可以迁移，不等于同一个模型可以直接复制。
第四道关是安全责任。研究设置了0.02伏余量和失效回退，这是正确方向；但量产系统还需要不确定性估计、传感器漂移诊断、冗余策略、极端工况测试和功能安全认证。模型漏报一次的代价，远高于平均误差多几个毫伏。
电池正在获得一套“内在感觉”
智能电池常被理解为给电芯加更多传感器。虚拟参考电极展示了另一种可能：先在实验室用昂贵、侵入式方法建立真实标签，再让量产系统依靠已有信号推测内部状态。它不让电池真的多长出一根电极，却让控制器开始拥有一项过去只能在实验台上获得的读数。
因此，这不是一个“AI把电池寿命提高8.25倍”的普通新闻，而是电池管理从遵守固定电压边界，转向估计内部失效机制并实时干预的证据。真正决定它能否进入汽车和储能系统的，不是今天这个倍数，而是模型在尺寸、温度、化学体系和老化阶段变化后，仍能否知道自己什么时候不可靠。
资料来源
- Nature Communications — Battery smart sensing via a virtual reference electrode — 2026-08-11 — https://doi.org/10.1038/s41467-026-76535-y
- Zenodo — Raw data for “Battery smart sensing via a virtual reference electrode” — 2026-07 — https://zenodo.org/records/20937591
- Nature Communications — Onboard early detection and mitigation of lithium plating in fast-charging batteries — 2022-11-19 — https://doi.org/10.1038/s41467-022-33486-4
- U.S. Department of Energy — Developing Extreme Fast Charge Battery Protocols — 2022 — https://www.osti.gov/servlets/purl/1855577
- Progress in Energy and Combustion Science — Lithium Plating Mechanism, Detection, and Mitigation in Lithium-Ion Batteries — 2021 — https://doi.org/10.1016/j.pecs.2021.100953
