整合多源数据
从 13 个锂离子电池数据集学习，覆盖不同规格与老化条件。
AI FOR SCIENCE / BATTERY FOUNDATION MODEL
PBT
Energy & Environmental Science 2026让电池寿命预测，拥有共同的起点。
Pretrained battery transformer (PBT): a foundation model for battery life prediction
电池化学体系、制造流程与运行条件不同，寿命数据往往稀缺且分散。PBT 将这些差异纳入预训练过程，学习可复用的知识，再用目标场景的数据构建专用模型。
13预训练锂离子电池数据集
15下游评测数据集
977下游评测电池
01 / THE RESEARCH
在共享知识中，保留老化条件的差异。
PBT 以 BatteryMoE 为核心，将电池领域知识纳入专家选择与加权。通用预训练模型学习跨数据集的循环模式与寿命关系，目标场景模型则在此基础上进一步适配具体的退化行为。
融入领域知识
结合老化条件描述与知识约束，为 BatteryMoE 中的专家分配权重。
适配目标场景
利用有限标注数据微调或进行适配器训练，构建场景专用模型。
02 / EVIDENCE & FINDINGS
从一种电池，走向多种应用条件。
正式发表版本在 15 个下游数据集上评估，覆盖 977 块电池、532 种老化条件，并包含锂离子、钠离子与锌离子体系。实验区分通用模型与目标场景适配后的专用模型，分析知识迁移的效果。
实验口径
13 个预训练数据集与 15 个下游数据集属于不同统计口径。指标与实验范围依据 2026 年正式发表版本；相关数据处理修正和模型权重见官方仓库。
CONTINUE EXPLORING