《Energy and AI》：Accelerating Supercapacitor Lifetime Optimization Using Quantum Machine Learning Surrogates
编辑推荐：
为解决长周期实验数据稀缺制约超级电容器寿命优化设计的问题，研究人员开展了一项融合实验数据与量子机器学习的研究。他们构建了统一数据集，并比较了经典核岭回归（C-KRR）与量子核岭回归（Q-KRR）的预测性能。研究结果表明，在数据有限条件下，Q-KRR展现出更高的预测精度，其驱动的贝叶斯优化（Q-KRR-BO）可提出更高预期寿命的参数组合，并得到独立器件的实验验证。该工作为在有限实验数据下加速储能器件寿命优化提供了新思路。
随着可再生能源的大规模并网和现代电力系统对快速功率支撑的需求日益增长，对高性能、长寿命、低成本的储能设备的需求变得极为迫切。超级电容器，以其快速充放电能力、高功率密度和长循环寿命等优点，在削峰填谷、平滑可再生能源波动等场景中扮演着关键角色。然而，其实际使用寿命受到电极材料特性、器件几何结构、操作条件（如电流、电压窗口）等多种因素的复杂耦合影响，微小的变动就可能导致内损、发热和长期退化行为的巨大差异。因此，对超级电容器进行寿命优化设计，系统性地选择能够提升性能同时明确考虑寿命和成本的变量组合，已成为储能研究的一个核心环节。
尽管基于机器学习的性能预测已广泛应用，但一个根本性挑战在于：生成可靠的寿命预测模型需要大量高质量的长期循环老化实验数据，这通常耗时、耗能且成本高昂，极大地限制了可用于数据驱动设计的训练样本数量。换言之，我们被困在了一个“数据稀缺”的困境中：为了优化寿命需要数据建模，但获取足够建模数据本身就需要极其昂贵的实验投入。这种矛盾促使研究者们寻找能够在有限数据下仍能有效学习复杂关系的新方法。
与此同时，量子机器学习（QML）近年来在多个领域显示出潜力。其核心思想是利用量子态叠加和纠缠的特性，将经典数据映射到高维量子特征空间，从而可能更有效地表示变量间的非线性相互作用。理论研究表明，量子核方法等QML模型在数据有限的条件下，有时能比经典模型更早地捕捉到数据中的趋势，实现更稳定的预测。那么，一个自然而然的问题是：这种“数据高效”的优势能否应用于像超级电容器寿命优化这样实验成本极高的实际问题中？能否利用量子机器学习来减少对昂贵实验训练数据的依赖，加速优化进程？
为了回答这些问题，由Mojtaba Khakpour Komarsofla和Amirkianoosh Kiani（来自加拿大安大略理工大学Silicon Hall微/纳制造设施）完成的研究，在《Energy and AI》上发表论文，提出并验证了一套创新的实验-计算融合流程。该研究没有停留在单纯的寿命预测，而是迈出了关键一步：直接利用机器学习模型作为“代理”，主动优化设计参数以最大化寿命。研究团队系统性地比较了经典核岭回归（C-KRR）和量子核岭回归（Q-KRR）两种代理模型在相同数据限制下的表现，并将它们嵌入贝叶斯优化（BO）框架，以搜索最优参数。最后，他们通过独立的实验对优化结果进行了验证，完成了从数据到模型、再到优化决策、最终回归实验验证的完整闭环。
为开展这项研究，作者主要采用了以下几项关键技术方法：首先，他们构建了一个统一的实验数据集，整合了14个商用超级电容器在多种恒流充放电（CCCD）协议下的循环老化数据，以及通过拆解测量获得的电极物理参数（如厚度、表面积）和材料表征结果（包括扫描电镜SEM形貌分析、能谱EDS成分分析）。其次，在建模方面，他们使用了基于核的代理模型，具体对比了经典的径向基函数（RBF）核岭回归和基于量子保真度核的岭回归。最后，在优化阶段，他们采用了贝叶斯优化框架，分别以经典和量子代理模型作为目标函数，在由实测数据定义的设计变量可行域内，搜索能最大化循环寿命（定义为容量保持率降至90%时的循环数N90）的参数组合。
研究结果
3.1. 材料与物理特性
研究人员对14个超级电容器样本的电极进行了详细的物理测量和材料表征。几何测量显示，电极厚度、表面积等参数在不同器件间存在显著差异。SEM图像揭示了电极表面形貌的多样性，并通过图像处理量化了孔隙率和颗粒尺寸指标。EDS分析给出了碳/氟（C/F）元素比例。这些结果为后续建模提供了涵盖几何、形貌、成分的静态特征集。
3.2. 特征关系分析
对建模所用特征（厚度T、C/F比、孔隙率Φ、颗粒尺寸P_size、表面积S、电流I）与目标N90的相关性分析表明，大多数特征-特征间相关性较弱，有利于模型学习独立贡献。颗粒尺寸P_size与循环寿命呈最强的负相关（r ≈ -0.59），而孔隙率和电流分别与寿命呈中度的正相关和负相关。这证实了寿命是多个特征非线性相互作用的结果。
3.3. 代理模型性能：经典KRR vs 量子KRR
在相同的5折交叉验证和不同训练集规模（n=75, 100, 300, 500）下对比了两种代理模型。结果显示，在数据有限区域，Q-KRR表现出更高的预测精度。例如，在n=75时，Q-KRR的R2约为0.871，而C-KRR约为0.700。随着数据量增加，两者性能提升且差距缩小，但Q-KRR始终更优。残差分析表明，Q-KRR的预测误差分布更集中、更稳定。然而，量子模型的计算成本远高于经典模型，其运行时间随数据量增长而急剧增加。
3.4. 优化结果：C-KRR-BO vs Q-KRR-BO
将训练好的代理模型嵌入贝叶斯优化后，比较了经典驱动（C-KRR-BO）和量子驱动（Q-KRR-BO）的优化效果。在所有数据集规模下，Q-KRR-BO都找到了具有更高预测循环寿命的设计方案。例如，在n=75时，C-KRR-BO的最佳预测寿命为4609次循环，而Q-KRR-BO达到6521次。收敛曲线显示，Q-KRR-BO能更快地提升目标值并达到更高的平台。优化得到的设计变量显示，Q-KRR-BO倾向于选择比C-KRR-BO略大的电极厚度和表面积。
3.5. 优化参数的实验验证
为了确认优化结果的实际价值，研究使用了一个独立的、未参与建模的超级电容器（来自制造商7，50 F）进行验证实验。该器件的特征在特征空间上更接近Q-KRR-BO的推荐值。在优化建议的操作条件下进行测试，该验证器件在容量保持率降至90%阈值时，实际达到了10198次循环。这一结果显著高于基线性能，并且与Q-KRR-BO的预测趋势一致，实验验证了优化流程的物理合理性和有效性。
研究结论与意义
本研究成功地构建并验证了一个用于超级电容器寿命优化的实验-计算融合管道。该管道的核心创新在于首次系统地将器件级循环数据、电极物理测量、材料表征与量子机器学习代理模型及贝叶斯优化相结合，实现了从预测到主动优化设计的跨越。
研究得出明确结论：在训练数据有限的条件下（这是寿命测试的典型场景），量子核岭回归（Q-KRR）比经典核岭回归（C-KRR）具有更高的预测精度和更好的泛化能力。当嵌入贝叶斯优化框架时，量子驱动的管道（Q-KRR-BO）能够在相同的迭代预算下，持续提出具有更高预期寿命的候选设计参数。独立的实验验证进一步证实，基于Q-KRR-BO推荐参数制备或运行的器件，展现出了优异的实际循环寿命。
这项工作的意义重大。首先，它为解决储能器件研发中“数据获取成本高”与“模型训练需求大”之间的矛盾提供了一个切实可行的新思路。研究表明，量子核方法可以作为经典机器学习的有力补充，在数据稀缺阶段发挥优势，减少对昂贵、耗时的长周期实验数据的依赖，从而加速材料与器件的优化设计周期。其次，研究完成了一个从数据到模型、优化、再回到实验验证的完整闭环，证明了计算驱动设计在实际工程问题中的可行性。最后，研究也为量子机器学习在能源存储等复杂工程领域的应用提供了一个具体的、有说服力的案例，指明了其在数据高效学习和复杂非线性映射方面的潜在价值。当然，研究也客观指出，量子模型目前计算成本较高，因此在运行时成为主要约束的大数据场景下，经典KRR仍是更优选择。这为未来根据具体任务需求（数据稀缺 vs. 计算效率）选择合适的模型提供了决策依据。
