新闻网讯近日，我校计算机与人工智能学院袁景凌教授与物理与力学学院罗雯教授、材料科学与工程学院麦立强教授团队合作，在电池智能诊断方向取得最新突破。研究成果以“Advancing battery failure diagnosis by knowledge-augmented large language models”为题，发表于《国家科学评论》（National Science Review，NSR）。我校袁景凌教授、罗雯教授和麦立强教授担任共同通讯作者，计算机与人工智能学院博士生张鑫为第一作者。

电池失效是储能系统安全运行面临的核心挑战之一，往往涉及电极材料结构退化、界面副反应、锂枝晶生长等多重材料学机制，且不同材料体系呈现迥异的失效形式。然而，现有电化学机理模型建模复杂，深度学习方法高度依赖标注数据、泛化能力不足，且难以追溯诊断依据，导致研究人员无法理解材料因何失效。因此，构建能够融合材料领域先验知识并具备可解释推理能力的诊断模型，成为该领域亟待突破的关键科学问题。

针对这一挑战，研究团队创新性地将大语言模型引入电池失效分析领域，提出了知识增强型诊断框架BattFailScholar（如图1所示）。区别于常规的数据拟合思路，该框架构建了首个案例电池失效知识图谱，将材料属性、多源物理信号与失效演化路径结构化关联。同时，团队设计了失效特征感知检索与漂移感知校正双重机制，使大语言模型能动态调取最相关的历史案例来支撑推理。实验结果表明，该框架在诊断准确率和潜在失效机理识别方面均实现显著提升，在诊断可靠性和抑制低频失效误判上展现出明显优势。该工作为数据-知识双驱动、具备可解释性的电池智能诊断提供了新思路，是我校AI for Materials交叉研究又一新进展。

图1基于大模型知识增强的电池失效诊断框架BattFailScholar

论文链接：https://doi.org/10.1093/nsr/nwag348

文：张鑫、袁景凌；编辑：曹明；审核：陈采军