7 月 2 日，2025 全球数字经济大会期间，“人工智能+应用场景”典型案例（以下简称“典型案例”）在产业互联网创新发展论坛发布。典型案例聚焦工业智能、政务管理、金融服务等重点行业和领域应用场景，展现了北京人工智能赋能产业发展现状，为人工智能创新应用提供参考和实践路径。
基于北京软件和信息服务业协会（以下简称“协会”）2024年所发布的《北京人工智能+应用场景图谱》，为充分发挥图谱的行业指导作用，全面呈现人工智能在不同领域的应用场景与实践，协会开展了“人工智能+应用场景”典型案例征集活动，并从创新性、成效性等维度，专家委员会遴选推介12项《“人工智能+应用场景”典型案例》。
北京深势科技有限公司本次入选的“Piloteye?电池设计智能研发平台”，在电力能源场景，该平台可实现整体材料开发周期缩短至1/3，正极掺杂效率提升千倍，分钟级预测电解液配方，电芯预测误差＜1%。
随着国内外新能源产业的高速发展，电池材料的设计研发成为制约产业进一步突破的关键环节。传统的研发模式依赖试错法，存在周期长、成本高、效率低等痛点问题。深势科技围绕这类电池领域企业研发的关键需求，主要针对电极材料、电解液以及电芯这三个方向的应用场景，推出Piloteye?电池设计智能研发平台，从创新算法、工程化及“最后一公里”落地等方面系统的赋能电池材料开发和设计，为电池材料开发者提供创新算法与行业know-how相结合、操作便捷的平台类工具。
深势科技Piloteye?电池设计智能研发平台是基于AI for Science新范式，利用Deep Potential系列多尺度建模算法、Uni-Mol分子大模型、DPA原子大模型、Uni-ELF配方大模型、具有GPU加速与自动微分功能的新一代电化学计算模型、电芯老化模式定量分析算法等一系列人工智能新技术，致力于突破电池研发难点的电池设计自动化平台。平台从材料性质参数出发，预测材料颗粒的物化性质，进一步模拟电极与电芯尺度的性能；同时对加工工艺进行理性建模，同步模拟加工工艺对电极、电芯性能的影响，提高了电池设计的精确度和可靠性，并大幅缩短创新到量产间的周期，推动电池材料“设计理性化”、“开发平台化”和“制造智能化”的实现。
深势科技Piloteye?电池设计智能研发平台整体架构从底层到顶层依次为数据库、模型库和应用平台，三层紧密相连、协同运作，聚焦电池材料从理论设计到实验验证的核心环节，为电池研发设计提供全流程的智能化升级服务。
深势科技Piloteye?电池设计智能研发平台架构图（公司系统图片）
（1）数据库层
由深势科技玻尔科研空间站的数据库提供服务，其公共数据库涵盖电解液分子、正极材料等多领域的丰富数据资源，包括但不限于文献、专利、表征、测试、工艺等数据，且在实时更新拓展中，面向电池研发领域提供数据检索、结构保存、分子 SMILES 导出等功能，为电池研发提供全面、专业的数据支持。
（2）模型库层
利用Deep Potential系列多尺度建模算法，融合电芯老化模式定量分析算法、Uni-Mol分子大模型、DPA原子大模型、Uni-ELF配方大模型等多种能力，突破电池研发设计研发难点。
（3）应用平台层
由AI读文献、AI做计算、AI做实验三个模块支撑组成应用平台层，实现电池研发设计全流程的系统打通、加速闭环，直接解决传统电池研发依赖“试错法”、成本高、效率低、创新难等痛点问题。
① AI读文献
由Uni-SMART科学文献大模型作为数据底座，Uni-Finder文献阅读和信息提取系统提供知识库检索、数据整合、交互问答等服务，对电池材料研发设计涉及的分子结构、关键信息等进行分析总结。
② AI做计算
由原子尺度的DFT计算、分子尺度的分子动力学模拟等多尺度模拟手段和Uni-Mol分子构象大模型、DPA原子大模型、Uni-ELF配方大模型驱动，可实现第一性原理正极掺杂筛选评估、“百万级”电解液配方设计和筛选、高精度固态电解质预训练大模型性质预测、高精度高效的电芯短期性能预测等多项关键场景的计算实践。
③ AI做实验
由SimpFine数据建模与分析平台和基于Uni-AIMS表征大模型的智能化电镜图像分析软件支撑，涵盖数据建模、数据预测、采样优化，表征分析等多种功能并可根据电池研发设计需求自由组合。
（1）基于Uni-Mol电解液分子模型、Uin-ELF电解液配方设计模型以及分子动力学方法对电解液分子和配方物性进行高通量高精度的快速预测，实现配方的设计和筛选。目前已支持将电解液探索空间扩展至10^20，性质预测精度高达95%，配方设计研发周期缩短至1/3。
（2）在第一性原理精度下对电池正极材料进行全面性质计算和掺杂评估。基于DeePMD、主动学习策略等先进手段，建立可描述广泛正极掺杂空间的量子力学精度的势函数模型，基于该势函数模型能实现快速精确的材料性质探索，计算效率比主流DFT方法快1000倍。
（3）涵盖27种元素，12w+样本数的DPA固态电解质原子大模型，具有第一性原理预测精度。基于该模型能模拟复杂组分固态电解质的性质，筛选最优固态电解质配方。
（4）通过高效的参数优化和并行计算算法，对电化学模型参数进行辨识，利用精度更高的电化学模型预测电芯短期性能，计算结果与输入实验测试结果具有定量级的可比性。
（5）通过建立基于多模态数据的正极前驱体工艺性能预测模型并对前驱体工艺进行优化，生产成本降低30%，研发效率提高4倍。除此之外还广泛应用到电池原材料配方设计、溶液性能调优、金属成分工艺设计、陶瓷工艺性能设计等多个领域。
（6）利用深度学习算法准确识别SEM图像的形态、尺寸、组成和分布，自动化批量处理电镜图像，与实验形成有效迭代，提升识别分析效率。
（1）基于Uni-Mol电解液分子模型、Uin-ELF电解液配方设计模型以及分子动力学方法对电解液分子和配方物性进行高通量高精度的快速预测，实现配方的设计和筛选。目前已支持将电解液探索空间扩展至10^20，性质预测精度高达95%，配方设计研发周期缩短至1/3。
（2）在第一性原理精度下对电池正极材料进行全面性质计算和掺杂评估。基于DeePMD、主动学习策略等先进手段，建立可描述广泛正极掺杂空间的量子力学精度的势函数模型，基于该势函数模型能实现快速精确的材料性质探索，计算效率比主流DFT方法快1000倍。
（3）涵盖27种元素，12w+样本数的DPA固态电解质原子大模型，具有第一性原理预测精度。基于该模型能模拟复杂组分固态电解质的性质，筛选最优固态电解质配方。
（4）通过高效的参数优化和并行计算算法，对电化学模型参数进行辨识，利用精度更高的电化学模型预测电芯短期性能，计算结果与输入实验测试结果具有定量级的可比性。
（5）通过建立基于多模态数据的正极前驱体工艺性能预测模型并对前驱体工艺进行优化，生产成本降低30%，研发效率提高4倍。除此之外还广泛应用到电池原材料配方设计、溶液性能调优、金属成分工艺设计、陶瓷工艺性能设计等多个领域。
（6）利用深度学习算法准确识别SEM图像的形态、尺寸、组成和分布，自动化批量处理电镜图像，与实验形成有效迭代，提升识别分析效率。
正极掺杂计算场景方案图（公司官网图片）
②用户应用情况
某头部正极企业目标通过掺杂改性开发高性能钠电正极材料。深势利用“正极性质计算”APP功能计算不同掺杂方案下正极材料的基本性质，快速筛选出性能表现最优的掺杂方案，经客户实验验证50周容量保持率提升5%，加速正极材料开发。
（2）电解液配方筛选
①场景方案介绍
基于Uni-Mol分子三维结果预训练模型，准确预测电解液全分子空间的多种关键物性，快速推荐候选目标分子。基于Uni-ELF配方模型，几分钟内准确预测上千个电解液配方关键性质结果，快速设计和优化电解液配方。产品级电解液分子和配方性质预测和高通量筛选，一键式获得电解液配方性质报告，加速筛选流程，将百万级配方筛选缩短至天。
电解液配方筛选场景方案图（公司官网图片）
②用户应用情况
某头部电解液企业目标筛选耐高压的电解液配方。深势结合客户的实验经验，利用Uni-ELF APP分子生成以及物性预测功能，帮助客户从千万级空间中筛选十个符合目标需求的候选分子，经过客户实验迭代和验证，理论耐氧化电位大幅提升，电导率提升近1倍。
（3）电芯性能预测
①场景方案介绍
平台基于电化学模型预测电芯性能，与实验测试结果进行详细对比分析。结合电芯机理模型，全面、准确、定量分析电池循环过程中各种衰减模式。利用AI数据驱动方式，基于少量电芯早期测试数据精确预测电芯健康状态。产品级电芯设计工具，涵盖“电芯仿真设计->测试->分析->优化”全流程，一键式完成电芯性能的综合评估，将过去几个月的实验测试缩短至天级别。
电解液配方筛选场景方案图（公司官网图片）
②用户应用情况
某头部电芯企业目标在已有的电芯数据基础上，快速评估电芯的长期性能，加速电芯开发迭代。深势引入AI机理模型有效处理已有的测试数据，对客户设计的电芯容量衰减情况进行全面的评测，预测结果与实验结果相比，误差不足1%。