Battery-Sim-Agent：利用LLM智能体进行电池逆参数估计

为高保真电池“数字孪生”确定参数是一个关键但具有挑战性的逆问题，它拖慢了电池创新的速度。主流方法将其表述为黑盒优化（BBO）任务，所采用的算法采样效率低且对底层物理一无所知。在本工作中，我们引入一种将逆问题重构为推理任务的新范式，并提出Battery-Sim-Agent，这是首个让大语言模型（LLM）智能体与高保真电池模拟器构成闭环部署的框架。该智能体模仿人类科学家的工作流程：解读模拟器给出的丰富多模态反馈，提出有物理依据的假设来解释偏差，并给出结构化的参数更新。在系统构建、覆盖多种电池化学体系、工况与难度水平的基准套件上，我们的智能体在识别准确参数方面显著优于贝叶斯优化等强大的BBO基线。我们进一步展示了该框架在复杂长程退化拟合任务中的能力，并在真实电池数据集上验证了其实用性。我们的结果凸显了LLM智能体作为基于推理的优化器在科学发现与电池参数估计方面的前景。