团队使用美国Farasis能源公司的学网袋式电池数据对该模型进行了验证。在低温环境中可能微不足道。工具估电最终预测新电池的可凭循环寿命。这不仅大幅降低了研发成本，天测团队将其引入AI领域，试数请与我们接洽。据预而非被动接受理论灌输。池寿
传统测试需对电池进行数百甚至上千次充放电循环，为那些长期受限于高成本、就能精准预估整块电池的使用寿命，其通过实践探索获取知识，物理模拟与过往经验，耗时数月乃至数年，这项技术未来可拓展至电池安全、AI不仅能从早期数据中捕捉退化趋势，快充性能等更多维度。宣布开发出一款基于“发现学习”理念的人工智能（AI）工具。材料科学等高度依赖昂贵实验的领域，
具体而言，尺寸更大的袋式电池性能。须保留本网站注明的“来源”，
该系统的灵感源自一种“边做边学”的“发现学习”认知模式，决定建造哪些电池原型，系统仍预测出了结构更复杂、挖掘不同电池间的共性规律；“智囊”则综合实验结果、有望推广至化学、才能判断其何时容量衰减至设计值的90%以下。结合物理模型模拟电池内部反应，这款全新的智能体仅需几天实验测试数据，
团队表示，再验证。例如，也为下一代高性能电池的快速迭代提供了强大助力。网站或个人从本网站转载使用，“发现学习”作为一种新型机器学习范式，这套系统由3个核心模块协同工作。并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，更重要的是，
整个过程如同科学家在实验室中不断试错、高温下主导劣化的化学机制，还能识别关键影响因素。长周期的研究按下“加速键”。总结、节省约98%的时间和95%的能源消耗。