Al-doped C3N4 composite cathodes suppress polysulfide shuttle and enable long-lifetime Li-S batteries with physics-informed NeuralODE lifetime forecasting
Zeyuan DI、A. P. Zakharov、Dmitry Alexeevich Zhevnenko、Xuanming Chen、Xijun Hu、Chi Ho Wong、Ilya Makarov、Leung Yuk Frank LAM
3. Al-doped C3N4 composite cathodes suppress polysulfide shuttle and enable long-lifetime Li-S batteries with physics-informed NeuralODE lifetime forecasting
论文基本信息
| 字段 | 内容 |
|---|---|
| DOI/URL/PDF | DOI / Nature 页面；未取得 PDF 链接，页面有补充材料链接 |
| 发现来源 | OpenAlex；来源 URL：DOI |
| 期刊/会议/平台 | Communications Chemistry，Article in Press |
| 发表日期 | 2026-10-02；Nature 页面标注 Published: 02 October 2026 |
| 作者/机构 | Zeyuan Di、Andrei Zakharov、Dmitry Zhevnenko、Xuanming Chen、Xijun Hu、Chi-ho Roy Wong、Ilya Makarov、Leung Yuk Frank Lam；香港科技大学、香港理工大学、Innopolis University、Industrial AI Lab、NRNU MEPhI、iMak AI Lab |
| 通讯作者 | Leung Yuk Frank Lam；Nature 页面明确标注 Corresponding author |
| 脚本评分/证据等级 | 62；命中电池容量衰减/退化预测、NeuralODE 与物理信息方法；摘要级 |
| 核验路径 | payload 无 pdf_url → 初始 DOI 抓取失败 → 打开 Nature 文章页，成功读取题名、摘要、作者机构及通讯作者；正文方法细节未返回 |
纳入理由与原文证据
- 主题/边界： 研究 Li-S 电池长周期退化轨迹并作寿命预测，虽与正极材料实验结合，仍有明确 battery lifetime forecasting 任务。
- 证据： Nature 摘要称模型“forecasts long-horizon performance up to 850 cycles”，并通过少量新增数据适配此前未见的正极化学体系。来源：Nature 摘要。
数据集/电池体系
- 体系/数据： 七种硫基正极体系，摘要点名 Al-doped graphitic carbon nitride（Al-C3N4/S）；实验与预测模型结合。电芯数量、循环数据规模、完整容量曲线是否开放未说明。
- 工况/跨域： 摘要称迁移到此前未见的正极化学体系，但训练/测试体系具体划分、温度、倍率与跨域适配样本数未能确认。
EOL/RUL 定义
- 目标/定义： 预测容量衰减/长周期性能，摘要没有给出 EOL 阈值、RUL 标签或统一寿命终止定义；不将 850 cycles 等同于电池 EOL。
- 未来信息风险： 训练轨迹是否包含预测时点之后的信息、增强退化轨迹是否参考测试域、迁移适配是否使用目标化学体系标签，需全文核查。
模型方法
- 流程： 摘要报告以实验容量轨迹和增强退化轨迹训练混合 NeuralODE，并加入物理信息；用于长周期预测及少样本迁移。网络结构、物理约束公式、基线与消融未说明。
- 部署： 在线传感器需求、推理延迟和 BMS 部署条件未说明。
验证设计
- 划分/泛化： 声称能迁移至未见化学体系，但未说明独立电芯/化学体系划分、重复实验或外部验证规模。
- 可信度： 中低；Nature 出版社摘要及题录可核，方法全文和定量比较未能读取，泛化结论暂按摘要陈述看待。
指标与结果
- 摘要仅报告模型可预测至 850 cycles，并在有限额外数据下适配未见正极化学体系；未提供 MAE、RMSE、误差带、基线提升或统计显著性，均未能确认。
- Al-C3N4/S 的片电阻和长期衰减表现只作摘要定性描述，不能据此推断寿命预测精度。
泄漏风险、复现性与局限性
- 泄漏风险： 信息不足；需审查增强轨迹生成与目标化学体系迁移阶段的数据边界。
- 复现性： 信息不足；页面提供补充材料入口，但本次未获取正文、代码仓库或数据集链接。
- 局限性： 摘要缺少样本量、误差指标及 EOL 定义；短周期到长周期外推和化学体系迁移的验证规模未明；材料性能与寿命模型贡献需全文拆分。
是否值得跟进
- 结论： 跟进。
- 理由与下一步： 材料老化与 NeuralODE 预测结合、并声称跨化学体系适配，值得关注；优先获取正文和补充材料，核验留出体系、迁移样本量及长期预测不确定区间。
查看关键词分类依据
- Capacity fade / trajectory prediction · 摘要包含「capacity fade」
xperiments with predictive modeling to study capacity fade under the data-limited conditions typical of Li-S research. Across seven sulfur - PINN / physics-informed · 标题包含「physics-informed」
and enable long-lifetime Li-S batteries with physics-informed NeuralODE lifetime forecasting - Transfer learning / domain adaptation · 摘要包含「transfer learning」
reviously unseen cathode chemistries through transfer learning with limited additional data. This work establishes a proof-of-concept experime - Hybrid model · 摘要包含「hybrid」
erogeneous ageing trajectories, we develop a hybrid NeuralODE-based forecasting framework that learns continuous degradation dynami - Self-built / experimental dataset · 摘要包含「experimental」
learns continuous degradation dynamics from experimental capacity trajectories and augmented degradation traces. The model forecasts lon