リチウムイオンカトドにおける第3次ドーピングを,閉ループの多目的ベイジアン最適化でナビゲートする

科学分野:

• マテリアルサイエンス 材料科学
• 電気化学 電気化学について
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 二次バッテリー材料の最適化には,複雑な組成空間を探求する必要があります.
• グリッド検索のような以前の方法は,多コンポーネントシステムでは非効率です.
• 高通量実験は価値がありますが,複雑性が増加するにつれてスケーラビリティの課題に直面しています.

研究 の 目的:

• 効率的なバッテリー材料発見のための閉ループ,多目的の機械学習アプローチを開発する.
• 約1400万のユニークな組み合わせの広大な構成空間をナビゲートするために.
• エネルギー密度を超えて複数の電気化学的性質を同時に最適化するために.

主な方法:

• 特徴の抽出のために,Materials Projectデータベースで事前に訓練されたセットトランスフォーマーを使用しました.
• 電気化学的性質を予測するために,マルチタスクのガウスプロセスモデルを使用した.
• 3ラウンドにわたるアクティブ・ラーニングを使用して,高スループットなワークフローを備えた統合された機械学習.

主要な成果:

• 少数のサンプル (125個のランダム,63個の予測) を使って,4つの重要な電気化学的特性を同時に成功裏に最適化しました.
• LiCoPO4の組成を特定し,ドーピングされていないシステムと比較して,複合的なメリット値を最大5倍まで増加させた.
• バッテリー材料の加速設計のためのエンドツーエンドのワークフローを実証しました.

結論:

• 開発された機械学習アプローチは,二次バッテリー材料発見の効率を大幅に高めています.
• この方法論により,複数の重要な電気化学的性質を同時に最適化することができます.
• このワークフローは,高度なバッテリーのための自律的な材料発見の分野を加速する準備が整っています.