电池寿命预测这件事，正在从 " 只看循环次数 " 走向 " 看完整衰老过程 "。

但现有方法大多只盯着单个电池的时间序列，忽略了数据中天然存在的多层次结构：

不同衰老条件下的电池表现不同，但同条件电池往往有相似退化特征；长期 SOH 轨迹虽各有差异，却共享一些典型模式；电压 - 电流曲线的退化信号并非均匀分布，而是集中在特定 SOC 区间。

为应对这一挑战，香港科技大学（广州）、中南大学和上海大学的学者联合在 KDD 2026（CCF-A 类）发表最新研究成果，开源了面向早期电池衰老轨迹预测的多层次学习方法BatteryMFormer。

它可以从早期电压 - 电流曲线中同时学习时间动态和 SOC 局部退化信号，再注入电池规格、化成协议、运行条件等衰老条件信息，最后通过一个 " 元退化模式记忆模块 " 检索跨电池共享的退化轨迹原型。

效果上，BatteryMFormer 在所有域上均取得最优性能，即使在仅保留 50% 训练电池的低数据设置下，它依然显著优于强基线模型。

以下是更多详细内容。

研究背景

可再充电池已广泛应用于电动汽车、规模化储能和便携式电子设备等现代工业场景。

随着电池产业快速发展，全球电池出货量已在 2024 年超过 1545 GWh，并预计将在 2030 年达到 4700 GWh。

如何准确评估和预测电池长期性能退化，已成为支撑电池研发优化、制造评估和实际部署的重要问题。

电池衰老轨迹预测（battery degradation trajectory forecasting， BDTF）旨在基于早期运行数据预测电池未来完整的健康状态（state of health，SOH）演化过程。

相比仅预测循环寿命或剩余寿命，BDTF 更关注退化过程的连续演化，可为早期筛选、长期性能评估和衰老机制分析提供更细粒度的信息。

尽管机器学习方法已被用于电池衰老轨迹预测，现有研究仍主要从单电池层面的时间序列建模出发，尚未显式建模电池退化数据中的多层次结构。

首先，由电池规格、化成协议和运行工况等因素共同定义的衰老条件，会显著影响电池退化行为；相同或相近衰老条件下的电池通常表现出一致或相似的退化特征。

其次，不同电池的长期 SOH 轨迹虽然存在差异，但往往共享若干典型退化模式，如线性、亚线性、超线性退化以及容量回升等现象。

最后，电压—电流曲线中的退化相关变化通常并非均匀分布，而是时常集中在特定 SOC 区间，对应潜在的局部电化学信号。

现有方法未能系统利用这些衰老条件规律、轨迹模式先验和 SOC 局部退化特征，限制了其在复杂跨条件电池数据上的预测能力。

方法概述

研究团队所提出的BatteryMFormer，则是一种用于早期 BDTF 的多层次 Transformer 框架。

该模型的核心思想是在 Transformer 架构中显式引入三类关键归纳偏置：早期电压—电流曲线中的时间动态与 SOC 局部退化表征、衰老条件层面的表征学习约束，以及跨电池共享的退化轨迹原型。

在模型流程上，BatteryMFormer 首先通过双视角编码器从早期运行数据中构建互补表征：时间视角用于捕捉循环间和循环内的动态变化，SOC 视角用于建模特定 SOC 区间内的局部退化信号。

在此基础上，衰老条件感知解码器进一步将电池规格、化成协议和运行条件等衰老条件信息注入表示学习过程，通过衰老条件引导的查询和衰老条件感知注意力，促进模型学习与衰老条件相关的退化表征。

最后，元退化模式记忆模块基于解码后的表示检索跨电池共享的典型轨迹原型，并将其作为模式级先验融合到预测头中，以辅助长程 SOH 轨迹预测。

实验结果模型总体表现

研究团队在 Li-ion、CALB、Na-ion 和 Zn-ion 四个电池域上系统评估 BatteryMFormer，并与现有电池衰老轨迹预测模型和通用时间序列预测模型进行比较，如下表所示：

其中，BatteryMFormer 在所有数据域和评价指标上均取得最优性能；相较于次优模型，其 MAPE 分别降低 11.07%、8.49%、17.66% 和 8.97%，MAE 分别降低 10.94%、10.83%、17.65% 和 11.83%。

消融实验

另外，消融实验结果如下表所示，移除 SOC 视角、元退化模式记忆模块或衰老条件感知解码器均会导致性能下降，验证了三类关键模块的有效性。

但与使用相同输入信息的 CPTransformer-SI 相比，BatteryMFormer 仍保持优势，说明性能提升主要来自多层次架构设计，而非额外输入（SOC 序列以及衰老条件信息）。

案例分析

在典型测试电池上，元退化模式记忆模块能够检索出与目标电池长期 SOH 演化趋势一致的轨迹原型，支持模型进行长程轨迹预测（图中 a）。

注意力分析进一步显示，模型会关注特定 SOC 区间（图中 b 和图中 c），且高注意力区域与 DVA 特征区域可能存在对应关系（如下图），说明 SOC 视角学习到的局部退化表征具有一定电化学解释性。

低数据设置评估

如表显示，在仅保留 50% 训练电池的设置下，BatteryMFormer 仍在四个电池域上优于强基线模型。

该结果表明，多层次学习策略在训练数据受限时仍能有效提取退化相关信息，体现出较好的数据效率。

总的来说，BatteryMFormer 将电池衰老过程中的多层次结构显式纳入 Transformer 模型设计，为早期电池衰老轨迹预测提供了一种可感知电池衰老数据多层次结构的学习框架。

该工作表明，面向复杂电池衰老数据的 AI 模型不应仅套用通用时间序列预测架构，而应围绕衰老条件依赖、共享轨迹模式和 SOC 局部退化信号等任务特征，进行量身定制的神经网络架构设计。

实验结果显示，BatteryMFormer 能够在多个电池域上稳定提升早期 BDTF 性能，为跨条件、跨体系的电池退化建模提供了有价值的方法参考。

另外，研究团队包括：

第一作者：

谭瑞锋，香港科技大学（广州）功能枢纽可持续能源与环境学域四年级博士生，研究方向为材料信息学与数据驱动的电池衰老预测。以第一作者 / 共同第一作者在 KDD、ACS Energy Letters、Energy Storage Materials 等国际期刊和人工智能会议发表论文 5 篇。

董金涛，中南大学计算机学院 2023 级本科生，主要研究兴趣为人工智能、数据驱动建模和电池老化预测，以共同第一作者在 KDD 上发表论文 1 篇。

通讯作者：

张统一教授，中国科学院院士，香港工程科学院院士，香港科技大学（广州）讲座教授，材料科学与固体力学专家，中国材料基因组工程、材料信息学和力学信息学的推动者，上海大学材料基因组工程研究院创院院长，中国材料学会材料基因组工程分会首任主任，香港科技大学（广州）广州市材料信息学重点实验室主任，Journal of Materials Informatics 主编，国际断裂学会副主席。

他大力推动材料信息学、材料 / 力学 GPT、材料 / 力学多模态大模型、AI4S（AI for science）和 AI4M（AI for materials）的发展。

黄加强教授于 2013 年以 " 上海市优秀毕业生 " 荣誉毕业于上海交通大学机械工程及其自动化专业。他其后于 2017 年在香港科技大学取得机械工程博士学位。他先后在香港理工大学和法兰西公学院从事博士后研究。

他目前的研究兴趣为电池、传感器与人工智能的交叉领域。以第一作者或通讯作者身份在 Nature Energy、Nature Sustainability、Nature Communications、Energy & Environmental Science、Advanced Materials、KDD 等国际顶尖期刊或顶级会议发表 30 余篇论文，申请中国、国际专利 10 余项。

李佳教授，香港科技大学（广州）助理教授，博士生导师。他在基础模型方面的研究已在学界和业界都取得了显著的成果，承担多项相关领域的国家自然科学基金和龙头企业（华为、腾讯、阿里巴巴、字节跳动）研究项目。

迄今为止，在 Nature 子刊、TPAMI、KDD、NeurIPS 等顶级期刊与会议发表论文 100 余篇。代表作获得 2023 KDD 唯一最佳研究论文奖。2022 年，他主持腾讯犀牛鸟项目，获学术创新奖。2023 年，他主持国内首个 " 图数据 + 图学习 " 校企联合实验室即港科大（广州）创邻图数据联合实验室，合作开发完全自主知识产权的商业化图数据库 Galaxybase。2024 年，培养博士生获得百度奖学金（全球 10 人 ) 。

论文链接：http://arxiv.org/abs/2605.27044

项目链接：https://github.com/Ruifeng-Tan/BatteryMFormer

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生 

感兴趣的小伙伴欢迎关注  了解详情

点亮星标

科技前沿进展每日见