钠离子电池的化成工艺是决定其寿命和最终性能的关键步骤，但传统化成过程耗时较长，严重制约了研发效率。来自卡尔斯鲁厄理工学院（KIT）、乌尔姆亥姆霍兹研究所（HIU）及慕尼黑工业大学（TUM）的研究团队提出了一种创新的AI驱动框架，通过整合FINALES与Kadi4Mat两大研究数据管理（RDM）生态系统，实现了对钠离子扣式电池化成工艺的快速优化。
研究团队将目标锁定在两项相互竞争的指标上：最小化化成时间与最大化电池寿命末期（EOL）性能。传统方法通常需要大量实验来探索最佳参数组合，成本高昂且周期漫长。为此，作者开发了FINALES与Kadi4Mat之间的互操作性接口。其中，FINALES框架负责实验计划与执行的自动编排，依托POLiS MAP平台运行；而Kadi4Mat内部则集成了基于主动学习的代理，采用多目标批量贝叶斯优化算法，高效地指导实验选择，从而大幅压缩实验次数并加速发现过程。
通过这一协同工作流，研究团队迭代探索了化成时间与EOL性能之间的权衡关系，成功识别出逼近帕累托前沿的候选解决方案。实验结果表明，这种互操作基础设施能够有效促进数据驱动的电池研究优化，不仅适用于钠离子电池，更为广泛的材料科学与工程优化任务提供了可迁移的框架。该论文共计21页正文和3页补充材料，包含9幅和5幅图表，已于2026年4月29日提交至arXiv（ID: 2605.00909），并投稿至《Batteries & Supercaps》期刊，目前正在修订中。这一成果标志着AI与自动化实验平台深度整合迈出了重要一步，有望加速下一代储能技术的开发。