电池领域的机器学习：特征表示、小样本与迁移、不确定性量化、大模型与文献挖掘。
作者推导了一个降阶的电化学-力学耦合模型，把锂化膨胀在活性颗粒、非活性基体、电极和电芯堆叠中产生的应力纳入考虑。模型将电极视为嵌入均匀化弹性非活性基体中的球形活性颗粒周期阵列，利用非活性基体刚度远小于活性材料以及颗粒、电极与电芯之间的尺度分离，得到对活性颗粒化学势和过电位的有效力学修正，该修正取决于颗粒膨胀、电极尺度应变以及夹持或外加压力等宏观边界条件。
推荐理由：该工作把颗粒、电极与电芯堆叠的多尺度力学耦合降阶为对化学势和过电位的修正项，可直接嵌入 DFN、SPMe 与 SPM 框架。
文章评估了 PINN、PIDeepONet 和 PINO 三种物理信息机器学习框架在电化学器件实时控制中的潜力，从训练成本、推理速度和泛化能力三方面进行对比。PINN 适合固定问题但参数变化需重新训练，PIDeepONet 支持跨工况算子学习且无需网格，PINO 在规则网格上性能更优、外推能力最强。
推荐理由：文章对比 PINN、PIDeepONet 与 PINO 三种物理信息学习框架的训练成本、推理速度与外推能力，为电化学器件实时控制选型提供依据。
该研究对三种物理信息神经网络（PINN）架构建模电池单粒子模型进行基准对比，包括两种常规 PINN 架构和一种基于 DeepONet 的架构，并在多种电流工况下评估其精度与泛化能力。结果显示 PINN 在电池物理建模上有潜力，但常规 PINN 架构在高动态电流条件下存在局限；其中 Fourier 增强的 DeepONet 泛化性能更优，相比数值求解器带来近 10 倍加速。
推荐理由：对比三种 PINN 架构在单粒子模型上的精度与泛化，给出高动态电流下的适用边界与约 10 倍加速。
该工作提出一种基于复分析基本原理的数学方法，从 EIS 数据中提取关键特征，用于判断电路模型中是否存在电感与常相位元件，并回答等效电路模型的可辨识性与唯一性问题。在仅含电阻和电容的模型中，作者能够枚举所有可能的电路模型族，并将该框架应用于真实电化学系统，以锂离子纽扣电池的阻抗测量结果进行展示。
推荐理由：该工作用复分析从 EIS 数据中提取特征，并讨论等效电路模型的唯一性与可辨识性，为电路模型选择提供数学依据。