近日，由韩国科学技术院(KAIST)材料科学与工程系教授Seungbum Hong与EunAe Cho教授团队领导的研究，开发出一套人工智能(AI)框架，该框架即使在实验数据不足的情况下，也能预测电池正极材料的颗粒尺寸并同步评估预测的可靠性。这项研究有望加速下一代电池材料的研发进程。相关成果已发表于学术期刊《先进科学》。

决定锂离子电池性能与寿命的核心在于正极材料，其中构成材料的微小一次颗粒的尺寸是关键因素。颗粒尺寸过大或过小均会导致电池性能或稳定性下降。传统上，为确定最佳颗粒尺寸，需反复改变烧结温度、时间与材料配比进行大量实验，但实验数据常存在缺失，难以系统分析工艺条件与颗粒尺寸的关联。

为解决这一难题，研究团队设计了一套创新的AI框架。该框架结合了能依据化学特征补全缺失实验数据的技术(MatImpute)，以及一种能计算预测不确定性的概率机器学习模型(NGBoost)。其最大特点是不仅输出颗粒尺寸的预测值，还能同时提供该预测的可信度范围，从而为实验决策提供了关键依据。经数据增强学习后，该模型预测准确率高达约86.6%，并揭示出烧结温度与时间等工艺条件对颗粒尺寸的影响大于材料成分本身，这与已有认知一致。

为验证AI预测的可靠性，团队在固定NCM811材料成分比例的前提下，选取了四种未包含于原始数据集的合成条件，制备了新的正极材料样品进行实测对比。结果显示，AI预测的颗粒尺寸与显微镜实测结果高度吻合，多数误差在0.13微米以内，且所有实测值均落在AI提供的预测不确定性区间内，有力证明了其预测值与可靠性评估的双重有效性。

此项研究的重大意义在于，它提供了一种先通过AI筛选高成功率实验条件、从而避免盲目试错的新范式。Seungbum Hong教授指出：“关键之处在于AI不仅给出了预测值，还指明了该结果的可信程度。” 该框架有望大幅减少电池材料研发中不必要的实验与成本，为包括全固态电池在内的下一代能源技术的高效设计提供强大助力。

出版详情： 作者：Benediktus Madika 等人，标题：《基于机器学习和化学感知插补的富锂NCM材料中不确定性量化的初级颗粒尺寸预测》，发表于：《先进科学》 (2025)。期刊信息：《先进科学》