清华大学深圳国际研究生院张璇、周光敏、李阳副教授团队与合作者提出了一种基于物理信息学习的电池衰减轨迹早期预测方法。该方法通过计算热力学和动力学参数，并将其关联至未来状态变化，从而实现对电池整个衰减轨迹的早期预测。与传统方法相比，该方法仅利用电池原型的早期循环数据（50次循环，占总寿命4%），即可达成95.1%全寿命平均预测准确率，将原型验证速度提升了至少25倍。本研究所提出的物理信息学习模型分为三个步骤：首先，用可解释特征工程表达电池多维电化学过程；其次，用早期电化学过程数据推演后期尚未建立的电化学状态；最后，用推演后的电化学状态进行电池衰减曲线预测。实验采用多源域自适应设置（25℃和55℃数据可用）并在35℃和45℃温度下预测，利用早期循环数据即可实现准确的全寿命衰减曲线预测。相关研究成果以“基于物理信息学习的电池衰减轨迹早期预测”（Non-destructive degradation pattern decoupling for early battery trajectory prediction via physics-informed learning）为题发表在《能源与环境科学》（Energy & Environmental Science）期刊上，并被选为封面论文。