9月10日消息，arXiv预印本（编号2609.10341，9月9日提交，所属physics.app-ph）提出一种基于可微代理模型的锂离子电池物理模型参数辨识加速框架，作者为A. Emir Gumrukcuoglu、Josh Pearson、Jamie M. Foster与James Burridge。

基于物理的电池模型能够提供有物理意义的内部电化学状态与过程，但从端电压-电流数据反演单体专属参数计算成本高昂，且受可辨识性限制。该工作以带电解质动力学的单粒子模型（SPMe）为基础，其正向映射采用名为Artiphy的代理框架，可快速、可微地计算电压与选定内部状态；经重标度消除精确的结构性冗余后，团队反演出非冗余的传输、动力学与容量参数组，包括随浓度变化的固相与电解质扩散系数。

验证方面，团队用Doyle-Fuller-Newman（DFN）模型在类WLTP电流工况下生成的合成电压数据作为基准——参考参数已知、模型误差可控。结果显示：反演得到的SPMe复现基准电压的误差在1毫伏量级，并能较好恢复电极容量；正极扩散率在大部分探测化学计量范围内被准确恢复。局部敏感性与Fisher信息分析进一步识别出动力学-欧姆与电解质传输方向存在强相关耦合，并阐明局部信息与全局扩散率参数化如何在电压敏感性较弱的工况下仍产生窄的Fisher曲率包络。作者表示，这些结果向快速、基于物理的"硅内"（in-silico）电池参数化迈进一步，有望减少对破坏性单体解剖表征的依赖。 （来源：arXiv）