具有高能量密度的锂金属电池（LMB）被认为是实现长续航电动汽车最有前景的候选者。然而，快速的容量衰减和安全隐患阻碍了LMBs的实际应用，其中纠缠的复杂退化模式仍然是高效电池设计和工程的主要挑战。

在此，清华大学张强，电子科技大学彭翃杰，北京理工大学张学强等人提出了一个可解释的框架用于学习LMBs的加速老化。该框架包含了79个电池，覆盖了不同的电池化学成分和电池参数的全面数据空间。作者仅利用前10个循环的数据就准确预测老化开始加速的拐点。

此外，依靠框架的可解释性，作者进一步阐明了最后10%深度放电对LMBs老化速率的关键作用，并提出了一个基于早期循环电化学数据的通用描述符，用于电解液的快速评估。

图1. SELF的概念说明

总之，该工作提出了一个可解释学习框架 （SELF），用于对 LMB 的老化进行可解释学习。具体而言，作者采用了实验室组装的电池测量的循环数据，其质量控制比从商业电池获得的数据更具挑战性。此外，SELF 目前需要恒流放电曲线作为输入。提高其与非恒流放电数据的兼容性代表了一个有前途的方向，其结果可以更好地转化为现实的场景。

因此，该工作提出的SELF有望普遍加速符合不同化学性质的电池的研究，还可以轻松地与分子/材料大型数据集和生成机器学习模型集成，进一步简化高效和探索性的电池设计。

图2. SELF用于改善 LMB 循环