摘要：随着近年电池领域研究投入的激增,研究人员面临着前所未有的信息过载和知识盲区的挑战。针对这一问题,本文探讨了大语言模型(large language model,LLM)的检索增强生成(retrieval augmented generation,RAG)架构在电池领域的应用潜力,在此基础上对近期的研究文献进行综述,并提出展望。本文介绍了大语言模型RAG架构的工作原理,强调了该架构在垂直领域的可靠性,并基于此综述探讨了该架构在电池材料设计、电池单元设计和制造、电动交通与电网的电池管理系统三个领域的潜在应用。在电池材料设计部分,本文着重分析了大语言模型RAG架构的无幻觉生成能力在数据提取、研究方案设计和多模态数据问答中的优势。在电池单元设计和制造部分,本文从科研端指出该架构对电池单元设计方案分析的辅助作用,从制造端指出该架构桥接产业和科研的鸿沟、辅助产业管控的作用。在电动交通和电网的电池管理系统部分,本文指出该架构在跨领域知识联结、辅助系统级运维的作用。最后,本文讨论了多模态RAG技术在电池研究领域的应用潜力及其对电池研究效率的提升,并展望了RAG在电池领域的更多应用前景。

摘要：锂硫电池具有超高的理论能量密度(2567Wh·kg^(-1)),且其实际能量密度最高可达600Wh·kg^(-1)。然而,液态体系的Li-S电池和传统锂电池一样存在着安全隐患。用固态电解质取代电解液有望提高锂电池的安全性能,在近二十年受到了广泛的研究。对于固态锂硫电池来说,除了由于正极材料本身的不同带来的转化机制上的差别,固态电解质的物理化学性质也会显著影响其电化学行为。这篇综述分类讨论了已报道的不同固态锂硫电池体系在性能上的优缺点及其中主要的失效机制,对其能量密度低、循环稳定性差的原因及改善电池综合性能的策略进行了归纳分析,旨在从固态锂硫电池微观机制到全电池水平的工程化设计提供全面的理解,推动固态锂硫电池的进一步发展。