中国科学院院士、北京大学教授鄂维南：AI for Science 助力电池材料技术新质发展
2024年9月1日下午，由四川省人民政府主办、欧阳明高院士工作站承办的2024世界动力电池大会——全球先进电池前瞻技术专题会议于在四川省宜宾市成功召开。会议围绕动力电池材料体系、系统结构、研发升级及下一代技术研判，开展跨学科、跨领域、跨区域的深度交流与对话，打造先进电池科技创新、交流合作、战略引领新高地，推动实现合作共赢的全球动力电池产业发展新格局。中国科学院院士、北京大学教授鄂维南以“AI for Science 助力电池材料技术新质发展”为主题发表精彩演讲。
图片来源于网络，如有侵权，请联系删除
鄂维南 中国科学院院士、北京大学教授
图片来源于网络，如有侵权，请联系删除
以下为演讲实录：
鄂维南：首先非常感谢欧阳院士的邀请。昨天下午我们去参观了欧阳原始的院士工作站，感到很震惊，无论形式还是内容给我们定了天花板，我们也得努力。
今天主题是AI for Science怎么帮助电池的研发，今天早上万钢主席致辞也提到这点，我们感到压力非常大，得干点活出来。
核心问题，能不能用AI的办法来帮助解决电池材料目前研发周期长、成本高、效率低的问题。比方芯片，芯片也是非常高大上的，但是芯片设计行业有一套比较完整的工具就是EDA，在电池领域能不能有类似的工具，我们把它叫BDA，这个事情我们好几年前就开始设计，已经在这方面做了好几年的努力。要做成这件事情其实是挺困难的，一方面是方法、工具方面的，另一方面可能更重要的就是要跟实验形成闭环，形成快速的迭代。
我今天分三点讲。
第一点，最典型的问题，我们现在设计电池材料、工艺，一个试错的方式，而空间是非常大的，怎样能够更加理性地进行材料搜索，可以拓展我们搜索的空间。
举个例子，比方电解液，刚才我和陈忠伟院士在聊电解液，电解液的材料和配方空间都非常大，可以数一数，13次方也好，10次方也好，20次方也好，从溶剂、添加剂等等三个主要方面，很多选择，当然你的目标，优化哪些性能，这样的工作，他们在一起做这个工作，前一阵上了央视，这是件什么事情？首先深势科技他们开发了一个模型，深势科技他们开发了一系列模型都是以Uni命名的，他们做的事情是什么，你确定一个目标性质，这是比较一般的框架，不光是对电解液，针对分子设计和配方设计做的，你确定一个目标要做什么事情，就是刚才做的这些性能，通过Uni—ELF给你一个初步的推荐，实验验证，Uni—ELF不光推进分子本身，溶剂的配方也可以推荐，然后实验测试，通过实验数据再做微调，这样形成闭环，这就是这件事情想达到的目的。具体这里面，在溶剂配方上做了优化，他的效率在右边这个图里面展示出来，如果用倍率优化，给它快速充放电背书，我们看有什么变化，红色的线是通常用的溶剂，这些结果都是推荐出来的几个组合，在倍率优化的场景下有比较大的提升。虽然现在已经在正常运行了，这件事情整个概念不光是对电解液配方，对很多其他的，包括固态电池，我们需要的其实都是这样一个循环，达到刚才说的几个目的，缩短周期、提高效率等等，很重要就是这样基准的人工智能模型，这样基准的人工智能模型过去是难以做到的。
现在人工智能比较火了，我发现有两个现象，一个是大家对人工智能的期望值非常高，二是很多人摸了一下神经网络、摸了一下大模型以后觉得我也能干，这两个都不足取，我们对人工智能的期望值也不能太高。第二，门槛是非常高的，不能说你学了一个神经网络，几个参数，就可以拿来帮你解决问题了，这个差距是非常远的。这个场景我们需要做的两件事情，一个是我们把所有的数据整合起来，理解比较差一点的，跟通常的人工智能场景很大的区别，必须依赖物理模型，必须依赖基本原理，因为我们永远很难达到像人本模型、自然语言处理模型所需要的数据量，在科学研究的场景，每一个数据都是经过科学家们花了很大工夫收集起来，这个差别是非常大的，这个问题只有通过物理模型解决、通过对物理模型的有效利用，比方在分子层面、结构层面，甚至到界面、器件层面，都有它的物理模型，这些物理模型必须得到充分利用。这样的方法可以得到比较好的效果，至少超过SORA。
第二点，这些物理模型、这些机理模型，怎么让这些机理模型真正有用，这些事情在我们科学研究里面是几百年来的难题。一方面我们最重要的成果就是这些基本原理，除了这个以外还有近似的基本原理，还有分子动力学等等，这些都是人类科学研究最重要的成果。但另一方面，这些东西很难用来解决实际问题，材料科学领域里面长期以来大家感觉到，做计算材料的人、理论材料的人跟做实验的人不是同一拨人，做实验的人大家可以问问，你对做理论的人究竟有多大期望，期望值是不高的，并不指望他们能够帮助用基本原理解决材料研发的问题。当然另一方面也不完全是这样，像固体力学、弹性力学、流体力学、结构力学，要建这个房子，我们知道它不会垮下来，因为我们用有限元算了一遍，知道它能够承载多大应力，这些领域这些问题是解决的，基本原理可以用来帮助解决实际问题，汽车设计、飞机、工业软件等都是为了干这些事情。
另一方面，在化学、材料、催化剂这些领域，远远没有达到效果，原因就是维数灾难，分子、原则设计的场景，自由度太多了，数学上的自由度叫维数，当自由度增加的时候，计算复杂性是指数增加的。我们虽然干了上百年，但是我们这些理论工具都没办法用来解决实际问题，困难就是刚才说的维数灾难指数增长的复杂度，这个问题恰好是可以用AI来解决的。
所以为什么我们现在对AI有这么大的期望？很多人都在AI for Science，我可能是最早来提出推动AI for Science的，根本的原因，就是因为AI可以帮助我们解决维数灾难的问题。
基于这样的认识，我们从15、16年开始，从最下面到最上面，用AI的办法来提升设计新的算法，提升这些算法的效率。一系列工作，现在已经用的很多的就是DeePMD、密度泛函、量子力学、介观尺度模型、动理学模型、非牛顿流体力学等，我们都做出了开创性的成果，每个理论里面基本上具体工作都是我们做出来的。
举个例子，比如电解液，这是分子层面做设计，我们就需要在原子层面的大模型，能够把原子和原子之间的相互作用明确描述出来，这就是DPA。这样的事情还没有完全做成，但是他的目标就跟GPT一样，GPT现在是大模型主要的一个框架，GPT的目标是大语言模型，我们的困难就在于刚才说的数据，我们可以利用的数据量比文本的场景用的数据量低很多，我们一步步来，我们已经发表了DPA1、DPA2，现在正在做DPA3，希望把数据周期表上的所有材料大分子、小分子都能够汉代在里面。
其中已经做到的一件事情，比方我们如果我们要预测锂离子的扩散系数，用空气动力学的办法来算锂离子的扩散系数，以前这件事是做不到的，他根本走不了那么快，通常温度下根本走不了几步，现在就可以在通常的温度下，跟实验的复合是非常好的，不需要人为的把温度搞的很高让锂离子跑的很快，就可以做相对比较准确的预测。
这是掺杂效应，基本可以达到理论预测和试验已经开始画在同一条线上，虽然不在一起，大家可能觉得这是两条不同的线，就跟湍流一样，我有一个朋友做湍流的，发表了一篇文章，一个在这儿，一个在这儿，他还说复合的很好，我说显然复合的不好，他说我能把它画在一张图上就已经非常好了，做化学的人、做催化的人都知道，只要涉及到化学反应也是同样的概念。
刚刚说的工具DeePMD，这个工具已经在电池领域有很多应用，已经发表了很多文章。
第三点，这是理论工具，最重要要跟实验耦合在一起，实验里面最重要的是表征，表征耗费大量的人力，再就是凭经验，有经验的老师看一下这个图就知道，这个背后是什么，学生就看不懂，这样的事情也是可以通过人工智能来帮助解决的。
围绕材料场景，比如电池材料场景有各种各样的需要表征的东西，比方颗粒、隔膜的结构等等，这些结构都可以用电镜把它拍下来，人一看大概知道什么意思，但是如果我们要实现高效率的闭环，不能人顶着看，而要让机器来看，机器人看懂这些事情，这样的事情涉及到的方面也是比较多的，高精度识别算法、自动化的分析、高通量等等，这个事情已经在深势科技做了尝试，Uni—AIMS。
这样的自动识别，识别颗粒，每个颗粒识别出来，看看它的大小、分布，这样的事情至少在这样的场景，正极扫描电镜已经实现了，类似的场景工具也可以开发。
这是我通常讲的AI for Science，AI for Science不光对电池材料，真的是对所有科学领域都能够产生影响的，未来我们做科研怎么做，我们要通过刚才说的算法、实验表征、文献算力作为基本工具，可能就是未来所有科研的基础设施，我们国家只要把一套基础设施建好就好了，上面所有的场景，比如电池材料、生命科学、海洋来开发相应的工具，也可以有其他的。
刚刚说到文献利用这是其中的支柱之一，文献的利用这样的工具Science Navigator，是国内第一个以AI for Science作为研发的主要工具，这个想法是什么，人类历史上有几亿个科学文献和一些专利文献，我们把这些文献全部放到一个数据库里，同一个数据库，能够做到这一点，是因为2018年我还有另外一组学生他们开发了国内第一个数据库MyScale，也是国内性能最好的AI数据库，把各种结构化的数据、表格、文本、向量、视频、图像等都可以放在同一个数据库里面统一管理、联合查询，有这样的工具就可以把所有的文献放在库里，开发一堆解析工具，把分子式、方程等解析出来，有了这些东西就在这个基础上开发你自己的Agent，来完成你的任务，比方要设计一个好的电解质，你问他一下，什么样要求的电解质大概会有什么样的可能性，他就会告诉你，这样的工具现在我们已经有了第一版本，第一版本还不太好用，这个负责人今天也坐在这儿，他说要把第二个版本开发出来，第二个版本开发出来大家都可以用。
有了这样的工具，我们不光对文献，对未来的数据也可以在同一个平台上统一关系，这个是非常重要的，因为现在都强调科学数据，也知道科学数据的重要性，但是怎么来管理科学数据，给他提供什么样的附加值，这个好像没有提到。
总结一下。
1、我们希望建立智能化的电池研究平台。
2、建立自动化的实验平台。
就说这些，谢谢大家！
【免责声明】所有会议实录均为现场速记整理，未经演讲者审阅，AI汽车网转载本文仅用于传递行业信息，并不代表赞同其观点或证实其描述。
