6月11日，火山引擎 Force 大会公布，字节跳动 Seed 及火山引擎，将与比亚迪锂电池深化合作，通过联合实验室等形式，共同探索 AI for Science 结合高通量实验，加速锂电池研发。
不久前，比亚迪发布了兆瓦闪充电池，实现“充电 5 分钟，续航 400 公里”，引发较高关注。兆瓦闪充电池背后，比亚迪团队在研发初期就引入了字节跳动 Seed 团队打造的电解液 AI 模型框架 BAMBOO，帮助对电解液配方进行快速筛选。相比于传统试错方法，BAMBOO 能结合实验数据，准确预测电解液的密度、粘度、离子电导率等关键性能，在兆瓦闪充电池研发过程中，快速缩小了实验配方空间，加速了研发进程。
未来，字节跳动 Seed 团队与比亚迪锂电池将通过共建“AI+高通量联合实验室”，进一步深化合作，针对动力电池的快充、寿命和安全等问题进行攻关。同时，双方也将探索 AI 技术在电池研发中的更多场景，加速新材料和新配方的发现，推动动力电池技术的进步。
1. AI for Science 精准预测，加速锂电池研发
锂电池作为当前主流的能源存储技术，其电解液是影响电池性能的关键因素之一。电解液的物理化学性质(如密度、粘度、离子电导率等)直接决定了电池的快充能力、寿命和安全性。
然而，传统的电解液配方设计依赖实验试错法，不仅周期长、成本高，且难以全面探索复杂的多组分体系。具体而言：
锂电池系统涉及复杂的物理化学过程和从原子到宏观结构的多尺度特性，这些过程相互耦合且高度非线性。精确模拟需要涉及电子结构、分子动力学、连续介质等多尺度模型，计算量巨大。
量子力学模拟虽然精度高，但计算成本高昂且难以扩展到大规模复杂体系;而经典力场虽然计算效率高，但精度不足，难以准确描述电解液的动态行为。
电解液中复杂的分子间相互作用，以及溶剂化结构的演进，也难以通过传统方法准确捕捉。
上述难点使得传统的研发方法耗时长、成本高，且难以系统化和自动化。针对这些问题，字节跳动 Seed 团队研发了电解液 AI 框架 BAMBOO，从微观溶剂结构和宏观电导率两个维度出发，提升锂电池的快充性能。结合实验数据微调后，BAMBOO 可相对准确地预测电解液密度、粘度、离子电导率等关键性能，为电池研发提供更精准的理论支持。
2. BAMBOO 框架可快速预测电解液性能，支持生成潜在配方
BAMBOO-MLFF 是面向以电解液为典型代表的液相有机小分子所设计的机器学习力场，其设计融合了分子动力学的物理算法与 AI 模型的网络设计及训练微调技术。
a 为 BAMBOO-MLFF 训练流程示意图;
b 为 BAMBOO-MLFF 中相互作用的分离(其中 MLP 为多层感知机，Qeq 为电荷平衡模型);
c-e 分别为图神经网络(GNN)、GNN 内部的 GET 层及 GET 层内部的 Transformer 示意图;
f-g 分别为集成知识蒸馏及 BAMBOO-MLFF 的密度对齐示意图。
具体来看， BAMBOO-MLFF 模型设计具有如下特点：
1、物理与机器学 融合的架构：将复杂的分子间作用力按照半局域、静电、色散分类分别建模，确保模型对微观世界进行精确刻画，以提升分子动力学模拟的精度和效率。
2、精简高效的旋转等变网络 GET(Graph Equivariant Transformer ) ：在模型训练数据利用效率、模型预测精度、模型推理速度三方面综合优化，实现高效准确的 AI 分子动力学计算。
3、集成 知识蒸馏与密度对齐：首先，通过训练多个模型并“蒸馏”为一个模型(Ensemble Knowledge Distillation)，提升预测稳定性;其次，采用密度对齐算法(Density Alignment)，利用少量真实实验数据，将宏观测量结果与微观模拟关联起来，进一步提升模型预测精度。
4、高精度性质预测：通过少量实验微调，模型在粘度和电导率预测上显著优于传统方法，预测密度误差仅 0.01g/cm³。此外，模型还可以揭示电解液微观机理，如溶剂化结构的变化，为配方设计提供分子层面的理论指导。
a-c 分别为 Equivariance、Transformer 和电荷对预测能量(a)、力(b)和密度(c)的影响;
d 为集成知识蒸馏(Ensemble)对降低不同随机训练 MLFFs 的 MD 模拟密度标准差的效果;
e，f 分别为密度对齐(AL)对 MD 预测密度、粘度和离子电导率的影响;
g，h 分别为 BAMBOO-MLFF 与 TorchMD-Net 2.0 的推理速度比较。
此外，在广泛粗筛阶段，为 改进 分子动力学 方法耗时较长、 化学 配方搜索空间巨大等问题，团队 也 提出了 BAMBOO-Mix 配方 生成 和预测模型 。 模型可根据约束性质直接生成潜在配方，或对给定配方快速进行性质预测，同时支持正向预测和配方逆向生成。
通过整合分子和配方的不同层级信息，以及多步训练，BAMBOO-Mix 可以实现对配方性质的精准预测和根据目标快速生成潜在配方。
该模型的正向预测能力包括“输入单分子-模型预测性质”，或“输入配方-模型输出电导率和部分溶剂结构信息”。团队在正向训练中构建了包含 24 万单分子数据、1 万混合体系实验数据、10 万分子动力学模拟数据的多种来源的数据集，通过图神经网络(GNN)提取分子指纹，结合置换不变聚合模块，实现多组分体系的物理性质预测。
最终模型实现可较为精准地预测电导率(R²=0.985)、锂离子溶剂化结构(阴离子配位数 R²=0.953)等关键参数，支持对温度(-50°C～100°C)和盐浓度(0.1～2.0M)的广泛范围内的预测。
在逆向生成能力上，该模型在扩散生成模型应用于电解液配方设计上做了前沿探索，基于条件扩散模型(Conditional Diffusion Model)实现多目标约束下的配方设计。输入目标电导率(5-30 mS/cm)和阴离子配位比例(0.1-0.7)，可直接生成含 62 种溶剂 / 17 种锂盐的可行配方，单次生成仅需秒级计算。
BAMBOO-Mix 可精确预测电解液电导率和溶剂化特征，在不同温度和浓度的预测上符合真实物理规律。
3. 双方将打造联合实验室，加速锂电池研发迭代
基于前期的深入合作，字节跳动 Seed 与比亚迪锂电池将进一步扩大合作范围，包括打造 AI+高通量联合实验室，通过共享算法、算力和实验数据的形式，形成电池领域“干湿闭环”的整体技术方案，推动 AI for Science 研究在锂电池领域更好地落地。
其中，字节跳动 Seed 团队将持续投入模型算法研究能力，依托火山引擎的云基础设施，聚焦模型能力的持续优化;比亚迪锂电池将提供高通量实验平台，提供大规模、系统性、高一致性的实验数据，为模型优化提供高质量的数据保证。
未来，双方还将构建面向电池综合性能，融合海量实验和计算数据的 AI 模型，打通从 AI 模型训练、微调对齐到高通量实验室调度的全流程，从更多维度缩短电池迭代周期，并加速新材料和新配方的发现。
