《AI》：From the Rock Floor to the Cloud: A Systematic Review of State-of-the-Art NLP in Battery Life Cycle
编辑推荐：
本研究对自然语言处理（NLP）在电池全生命周期中的应用进行了系统综述，而非仅聚焦于单一阶段或方法，并提出了一个新颖的概念性技术语言处理（TLP）框架，用于欧盟（EU）拟议的数字电池护照（DBP）及其他一般性电池预测，此为该研究的主要目标。研究遵循系统综述与荟萃
本研究对自然语言处理（NLP）在电池全生命周期中的应用进行了系统综述，而非仅聚焦于单一阶段或方法，并提出了一个新颖的概念性技术语言处理（TLP）框架，用于欧盟（EU）拟议的数字电池护照（DBP）及其他一般性电池预测，此为该研究的主要目标。研究遵循系统综述与荟萃分析首选报告项目（PRISMA）方法，检索了三个知名数据库或搜索引擎，包括Google Scholar、电气与电子工程师协会Xplore（IEEE Xplore）和Scopus，检索时间为2025年10月。检索标准为"text"、"language processing"和"battery"，排除标准为不相关论文及2017年之前发表的论文，上述标准应用于所有数据库，但IEEE Xplore除外，因其返回结果较少。据此，研究在最终批判性评阅66篇相关论文之前评估了274篇科学论文。研究公开提供综述的支撑材料以供验证和可能的可重复性检验。研究结果表明，电池领域正在涌现新的NLP任务，这些任务促进了材料发现及生命周期其他阶段的进展。尽管如此，诸如缺乏标准基准等挑战依然存在。所提出的TLP框架融合了智能体人工智能（agentic AI）与优化提示（prompts），可能适用于应对其中部分挑战。
引言部分指出，电池是一种能够提供电能、通常由电化学物质构成的储能系统（ESS），而自然语言处理（NLP）是使机器分析、理解乃至生成人类自然语言的方法与工具集合。电池生产生命周期涉及以自然语言交流并记录全价值链沟通信息的人员，由此产生技术手册、生产日志、专利、科学文献、质量报告、维护记录、数字电池护照（DBP）等大量文档。研究提出的研究问题为：电池全生命周期价值链上存在哪些NLP任务；NLP应用于电池研究的数据集、模型与挑战有哪些。研究贡献包括三方面：首次对电池全生命周期价值链上的最新（SotA）NLP进行系统综述；整理并综合比较各研究的结果、模型、数据与现存挑战；提出一个简洁新颖的概念性TLP框架，融合人工智能（AI）智能体、大语言模型（LLMs）以及优化的硬提示与软提示（prompts）。
背景部分比较了以往综述的局限，指出既有工作多局限于生命周期的特定阶段或特定任务，如材料科学中的信息抽取（IE）与材料发现、大语言模型（LLMs）在电池任务中的支持作用、机器学习（ML）方法用于材料科学、专利分析中的主成分分析（PCA）与随机森林（RF）等。NLP基础部分介绍了通用NLP流程，包括数据获取、预处理、分词、模型选择、训练、验证与超参数调优、测试和部署，并说明嵌入（embeddings）的作用及监督、无监督与强化学习（RL）的范式差异。文章指出最新模型基于Transformer架构，编码器用于判别式语言理解任务如文本分类（TC），解码器用于生成式任务如摘要，代表性判别模型包括基于Transformer的双向编码器表示（BERT），生成模型包括生成式预训练变换器（GPT）系列。文章列举了11项传统NLP任务：文本分类（TC）、命名实体识别（NER）、词性标注（PoS tagging）、信息抽取（IE）、情感分析（SA）、问答（QA）、摘要、机器翻译（MT）、自动语音识别（ASR）、对话生成（DG）和无监督的主题建模（TM），并分别说明其在电池领域的潜在用途与常用数据集。电池生命周期部分归纳了约17个阶段，并划分为材料采购、材料混合、电极制备（前段工艺，含涂布、干燥、压延、分切、制片与模切）、电池装配（卷绕与叠片、装配线、干燥炉、电解液注入）、电池测试（化成、充电、测试仪）、二次装配（模组装配与电池包装配）、使用（依赖电池管理系统BMS监测荷电状态SoC等参数）以及回收等环节。
材料与方法部分说明研究遵循PRISMA方法，并在开放科学框架（OSF）注册。检索数据库为Google Scholar、IEEE Xplore和Scopus，检索词为"text"、"language processing"和"battery"，以AND组合。年份筛选自2025年回溯至2017年，因2017年为Transformer架构引入的关键节点；IEEE Xplore因结果较少未作年份过滤。研究采用基于排序的筛选程序，评阅Google Scholar与Scopus排名前118篇论文及IEEE Xplore全部38篇论文，经标题与摘要筛选、全文评阅与去重后得到最终66篇。研究还说明使用GPT-5生成生命周期示意图。
研究结果部分按任务对论文进行分类，共识别16项任务，其中5项为新任务、2项为电池特定任务、1项为本体开发。材料发现与知识挖掘是研究最集中的方向，涉及利用Word2Vec进行无监督文献学习以预测太阳能充电电池材料、材料语言处理（MLP）中的上下文学习、BatteryBERT的继续预训练与微调、BatteryDataExtractor的化学数据抽取、文本到电池配方抽取、面向锂离子电池（LiB）正极的语义知识图谱（KG）与双向长短期记忆网络（BiLSTM）结合、钠离子电池（SiB）正极材料信息抽取、化学命名实体识别新语料MS-Mentions、单原子催化剂筛选、认知增强指令框架（CEIF）、Chemeleon生成化学成分与晶体结构，以及利用Shapley加性解释（SHAP）与双项主题模型进行专利可解释分析。文章指出材料发现的主要挑战在于缺乏代表性评价指标或评估框架。电池生产、维护与可持续性方面，涉及利用大语言模型（LLMs）进行荷电状态（SoC）估计的硬提示生成器与软提示编码、从文献自动抽取容量、电导率、库仑效率、能量密度和电压等五项功能性质的数据集构建、固态电解质（SSE）离子电导率数据库抽取、退役电动汽车电池包拆解导向的知识图谱，以及缺乏标准基准与报告规范导致的可重复性问题。
讨论部分指出NLP在电池生命周期各阶段的覆盖不均衡，现有研究中缺少智能体人工智能（agentic AI）的应用，也缺少与欧盟数字电池护照（DBP）或数字产品护照（DPP）相关的任务；同时存在缺乏标准电池基准数据、专有数据、词汇标准及工具互操作性等挑战，不同作者使用各自创建的数据集影响了透明度与公平比较。文章提出的概念性TLP框架面向DBP与电池预测，包含一个电池无关的模型上下文协议（MCP）AI智能体，可连接存有DBP或BMS信息的外部工具，提供软提示并与经梯度优化的硬提示结合，输入具备多模态能力的大语言模型（LLMs）以完成荷电状态（SoC）估计或信息检索（IR）等任务；框架另设可独立运行的组件以处理传统数据集任务。文章认为硬软提示结合可提供互补视角，大语言模型（LLMs）具备涌现能力并支持编码等机器学习任务，混合专家（MoE）可缓解稠密模型规模过大的问题。结论部分重申NLP在电池全生命周期各阶段的重要作用，指出标准化基准、材料发现的评价框架以及更现代NLP方法（如智能体人工智能）的应用仍是待解问题，所提框架尚需未来工作验证，多模态AI（融合文本、图像与传感器数据）有望进一步提升电池价值链上的性能。
