鈉離子電池的化成工藝是決定其壽命和最終性能的關鍵步驟，但傳統化成過程耗時較長，嚴重製約了研發效率。來自卡爾斯魯厄理工學院（KIT）、烏爾姆亥姆霍茲研究所（HIU）及慕尼黑工業大學（TUM）的研究團隊提出了一種創新的AI驅動框架，通過整合FINALES與Kadi4Mat兩大研究數據管理（RDM）生態系統，實現了對鈉離子扣式電池化成工藝的快速優化。
研究團隊將目標鎖定在兩項相互競爭的指標上：最小化化成時間與最大化電池壽命末期（EOL）性能。傳統方法通常需要大量實驗來探索最佳參數組合，成本高昂且週期漫長。為此，作者開發了FINALES與Kadi4Mat之間的互操作性接口。其中，FINALES框架負責實驗計劃與執行的自動編排，依託POLiS MAP平台運行；而Kadi4Mat內部則集成了基於主動學習的代理，採用多目標批量貝葉斯優化算法，高效地指導實驗選擇，從而大幅壓縮實驗次數並加速發現過程。
通過這一協同工作流，研究團隊迭代探索了化成時間與EOL性能之間的權衡關係，成功識別出逼近帕累託前沿的候選解決方案。實驗結果表明，這種互操作基礎設施能夠有效促進數據驅動的電池研究優化，不僅適用於鈉離子電池，更為廣泛的材料科學與工程優化任務提供了可遷移的框架。該論文共計21頁正文和3頁補充材料，包含9幅和5幅圖表，已於2026年4月29日提交至arXiv（ID: 2605.00909），並投稿至《Batteries & Supercaps》期刊，目前正在修訂中。這一成果標誌着AI與自動化實驗平台深度整合邁出了重要一步，有望加速下一代儲能技術的開發。