只需少量实验，就能预测电池能用多久

快速且可靠地验证电池等复杂物理系统的新设计，对于加速技术创新至关重要。然而，电池开发仍受限于评估新设计寿命所需的高昂时间和能源成本。值得注意的是，现有的寿命预测方法需要包含目标设计电池寿命标签的数据集来提高准确性，且在原型制作前无法进行可靠预测，从而限制了快速反馈。在此，我们引入“发现学习”（Discovery Learning），这是一种科学的机器学习方法，受教育心理学启发，将主动学习、物理引导学习和零样本学习整合到类人推理循环中。“发现学习”能够从历史电池设计中学习，减少原型制作需求，从而通过最少的实验预测新设计的寿命。为测试“发现学习”，我们提供了包含123个大容量锂离子软包电池的工业级电池数据，其中包括多种材料-设计组合和循环协议。在与我们的电池设计不同的公开数据集上训练后，“发现学习”利用51%的电池原型前50次循环的物理特征预测循环寿命，测试误差仅为7.2%。在保守假设下，与传统方法相比，这节省了98%的时间和95%的能源。“发现学习”是准确高效电池寿命预测的关键进展，更广泛地说，它有助于实现机器学习加速科学发现的潜力。