麻省理工学院(MIT)研究人员开发出一种基于机器学习的新型工具——Alpha-Fuel-Cell，可显著提升直接甲醇燃料电池(DMFC)性能。相关研究成果发表于《自然能源》杂志。

直接甲醇燃料电池作为极具前景的能源解决方案，能将甲醇中的能量转化为电能，有潜力为大型电子设备、车辆等便携式电源系统供电。然而，其性能会随时间显著下降，原因在于催化电池反应的材料(电催化表面)效率逐渐降低。此前，调节燃料电池电压以清洁表面、防止有毒物质积聚的方法，因手动调节需兼顾诸多物理和化学过程，在实际应用中不切实际。

Alpha-Fuel-Cell 这一新型计算工具能够监测催化剂状态并相应调整施加电压。研究发现，与传统手动电压操作策略相比，它可将直接甲醇燃料电池的平均功率提高 153%。

该研究团队旨在评估人工智能模型在改善甲醇燃料电池性能方面的潜力，证明机器学习技术在实际系统中优化清洁电催化表面所需电压的有效性。Alpha-Fuel-Cell 由执行器和评论器组成，执行器分析燃料电池过去运行状况以控制系统，评论器根据燃料电池状态评估动作价值，采用“演员 - 评论家”架构，通过反复试验学习新知识。其评估系统包含分析燃料电池状态的状态分支(使用卷积神经网络)和识别动作的动作分支(依赖标准前馈神经网络)。

该“演员 - 评论家”神经架构无需大量训练数据，研究人员使用在实际环境中收集的约 1000 条电压 - 时间轨迹(仅两周时间)的数据集，便取得良好效果。该控制器是实时、目标自适应架构，可直接从实验数据学习，无需模拟器，首次展示了人工智能与能源设备的结合，通过自动催化剂自修复功能保持燃料电池最大功率，还能识别电池恢复的最佳休息时机。

目前，该研究团队设计的新方法将进一步完善，并在更广泛实验和实际场景中测试。未来有望提升直接甲醇燃料电池性能、延长使用寿命，且无需昂贵设备。研究人员还计划将方法从单个实验室电池扩展到更大的现实世界堆栈，添加安全性和寿命限制，并在电池和其他电化学系统上测试推广。

更多信息： Hongbin Xu 等，《一种最大化直接甲醇燃料电池功率的演员-评论家算法》，《自然能源》 (2025)。