深度學習框架可預測鋰電池壽命

　　在鋰電池壽命預測領域，建立全面的電池老化模型是項艱巨任務。因此，數(shù)據(jù)驅動方法受到越來越多的關注。深度學習已被證明是電池應用領域中一種強大的數(shù)據(jù)驅動擬合方法。然而，可解釋性仍然是該領域面臨的挑戰(zhàn)，限制了深度學習方法的實際應用。

　　隨著可解釋技術的發(fā)展，深度學習不僅可以作為黑盒工具，還可以用于探索外部電池數(shù)據(jù)與內部電化學變化之間的關系。研究團隊提出了一種可解釋的深度學習框架，利用梯度加權類激活映射來解釋訓練好的卷積神經(jīng)網(wǎng)絡模型的輸入和輸出之間的聯(lián)系。

　　研究團隊通過鋰電池容量衰退拐點識別任務對可解釋的深度學習框架進行了演示。結果發(fā)現(xiàn)，該深度學習模型在有效預測電池容量衰退拐點的基礎上，可以敏銳捕捉與電池老化機制相關的特征，其中包括人類尚未完全理解的關鍵特征。此外，通過在不同預測任務，如考慮多種電池體系、實際工況和數(shù)據(jù)集中驗證該方法，展現(xiàn)了該框架優(yōu)秀的可遷移性。在無先驗知識的情況下，該可解釋的深度學習框架可以為研究者理解復雜電池老化機理提供新見解。該可解釋性深度學習方法的提出為電池相關領域的數(shù)據(jù)驅動研究提供了新的思路，將積極推動人工智能技術在先進電池設計開發(fā)及安全使用方面的廣泛應用。