10月29日消息，据能源转型资讯平台EnergyNews.biz报道，一项发表于《电源杂志》（Journal of Power Sources，第699卷，文章号241790）的研究训练了一种物理约束条件生成对抗网络（PC-cGAN），能够按目标性能参数“从零设计”电池微观结构，而非仅复制既有结构。模型共生成1283个NMC532（LiNi0.5Mn0.3Co0.2O2）正极微观结构样本。

研究由Azamat Zhaksylykov与Daulet Tazhbagambetov作为共同第一作者完成。技术路线的核心是训练中内置的物理约束网络：生成器在学习过程中被强制满足三个描述符——孔隙率、活性物质体积分数与迂曲度（孔隙路径蜿蜒程度的度量），从而保证生成的微观结构在物理上自洽。

该工具的直接价值在于解耦实验中难以单独研究的变量：迂曲度在实验上难以孤立调控，因为它总是与孔隙率、颗粒排布同步变化。而PC-cGAN可以在固定孔隙率与活性物质体积分数的同时单独改变迂曲度，使研究者得以干净地检验“结构-离子传输”关系，为电极配方与工艺设计提供可控的数值实验平台。

需要指出的是，论文可访问部分未给出电芯级性能数据——既无容量、倍率或寿命提升数字，也未描述实际制成的电极，1283个结构目前属于数据集与机理研究层面的贡献。但这一方法与电池行业“微观结构成像-生成-仿真”的正向设计趋势一致：当AI从筛材料走向造结构，微观结构数据库将成为下一代电极工艺开发的公共基础设施。该路线与钠电硬碳负极结构研究、电池供应链降本等议题同属当前产业关注链条。 （来源：EnergyNews.biz）