[Paper] 从提示到协议：使用大型语言模型实现快速充电电池

Source: arXiv - 2601.09626v1

概述

本文提出了一种利用大型语言模型（LLM）设计锂离子电池快速充电协议的新方法。作者并未手动构造或穷尽搜索充电曲线，而是让 LLM 生成候选协议（以代码或数学函数的形式），随后在闭环、无梯度的优化流程中对其进行评估。该方法在保持昂贵的仿真或实验次数较少的前提下，实现了电池健康的可测量提升。

Key Contributions

• LLM 驱动的协议合成：介绍了两种方法——Prompt‑to‑Optimizer（P2O）和 Prompt‑to‑Protocol（P2P）——使语言模型能够编写可执行的充电策略代码或明确的电流‑时间函数。
• 无梯度闭环优化：将 LLM 的建议与内部训练/评估循环相结合，避免了对电池动力学可微分模型的需求。
• 实证优势：展示了在基准充电任务上，P2O 超过了通过贝叶斯优化、进化算法和随机搜索发现的神经网络架构。
• 实际影响：在与传统方法相同的评估预算下，显示相较于强大的多步恒流基线，SOH（健康状态）提升约 4.2 %。
• 灵活性与约束：强调自然语言提示如何将领域约束（例如安全限制、硬件能力）直接嵌入搜索空间。

Source: …

方法论

1. 问题框定 – 电池充电被建模为一个黑箱函数：给定充电协议（随时间变化的电流），模拟器返回一个健康指标（SOH）。该函数评估成本高且不可微分。
2. Prompt‑to‑Optimizer（P2O）
   • LLM 接收描述所需协议结构的文本提示（例如，“将时间映射到电流的小型神经网络”）。
   • 它生成用于轻量级神经网络的 Python 代码（通常只有几层全连接层）。
   • 在内部优化循环中，利用少量模拟充电循环对该网络进行训练，调整权重以最大化 SOH。
   • 训练好的网络成为候选协议；其性能被记录，最佳候选会被反馈到下一轮提示中。
3. Prompt‑to‑Protocol（P2P）
   • LLM 被要求编写一个显式的解析函数（例如分段线性或多项式表达式），仅包含少量标量参数。
   • 使用简单的优化器（网格搜索或 CMA‑ES）对这些标量进行微调，每次评估相应的协议。
4. 闭环迭代 – 在每批评估之后，系统根据观察到的性能更新提示（例如，“尝试更深的网络”或“添加平台期”），让 LLM 探索新的函数形式。
5. 基线 – 作者将该方法与在固定结构神经网络架构上运行的贝叶斯优化、进化策略和随机搜索进行比较。

结果与发现

• P2O 发现的神经网络架构比基线探索的更具表达能力，从而实现了最高的 SOH 增益。
• P2P 在使用更简洁的函数形式的情况下匹配了 P2O 的性能，表明 LLM 可以直接提出有效的分析协议，而无需训练循环。
• 两种方法所需的昂贵电池仿真次数与传统基线大致相同，证明了该方法在预算上的高效性。

实际意义

• 加速研发：电池制造商可以将大型语言模型（LLM）接入其仿真流水线，生成新颖的充电曲线，从而减少手动反复试验所耗费的时间。
• 可定制的安全约束：工程师可以在提示中直接嵌入硬件限制、温度上限或监管规则，确保生成的协议从一开始就符合要求。
• 跨领域适用性：相同的“提示‑到‑优化器”模式可复用于其他高成本、黑箱控制问题（例如电网调度、暖通空调调度或自动驾驶车辆运动规划）。
• 工具链集成：由于 LLM 输出可执行代码（Python/NumPy），可以轻松嵌入现有仿真框架（如 PyBaMM），几乎无需额外工作。
• 成本节约：实现高性能协议所需的实体实验次数减少，从而降低原型测试的材料和人工费用。

限制与未来工作

• 仿真保真度：本研究依赖高质量的电池仿真器；仍需进行实际硬件验证以确认可迁移性。
• 提示工程开销：构造有效提示并解释 LLM 输出可能并非易事，尤其是对缺乏 NLP 专业知识的团队。
• 内部训练的可扩展性：虽然神经网络规模较小，但反复训练可能在更大的搜索空间或更复杂的电池化学体系中成为瓶颈。
• 泛化能力：该方法在特定的快充场景下进行评估；将其扩展到其他化学体系、温度条件或长期老化模型仍是未解之题。
• 作者提出的未来方向包括：将不确定性量化融入 LLM 生成的协议、结合主动学习决定下一步运行哪些仿真、以及探索多模态提示（例如将文本约束与基于草图的波形提示相结合）。

作者

• Ge Lei
• Ferran Brosa Planella
• Sterling G. Baird
• Samuel J. Cooper

论文信息

• arXiv ID: 2601.09626v1
• 分类: cs.LG, cs.AI, eess.SY
• 发表时间: 2026年1月14日
• PDF: 下载 PDF