使用几何深度学习进行非水性基电池电解质溶液的可差化建模和优化
Shang Zhu1,2, Bharath Ramsundar3, Emil Annevelink1
1Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, USA.
Nature communications
|October 5, 2024
概括
我们开发了DiffMix,一个几何深度学习模型,以优化电池电解质. 这种方法使用机器人实验显著提高了离子导电率,超过18.8%.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
背景情况:
- 电解质对于下一代电池至关重要,可实现离子转移和接口稳定性.
- 为快速充电优化电解质特性仍然是电池开发中的一个重大挑战.
研究的目的:
- 开发一个可微分的几何深度学习 (GDL) 模型,DiffMix,用于预测化学混合物特性.
- 引导机器人实验,以优化快速充电电池电解质.
主要方法:
- 扩展混合物热力学和运输规律与GDL可学习的物理系数.
- 为了优化,将DiffMix模型与机器人实验平台 (Clio) 集成.
- 利用基于DiffMix梯度的可微分优化.
主要成果:
- 与纯数据驱动的混合物热力学和离子传输模型相比,DiffMix表现出更好的预测准确性和稳定性.
- 在10个实验步骤内,电解质离子导电率得到了超过18.8%的改善.
- 成功结合了GDL,混合物物理和机器人实验,以有效地进行化学空间探索.
结论:
- DiffMix为化学混合物提供了一种强大的新预测建模方法.
- 综合方法使大化学空间中的电解质能够有效地优化电池电解质.
- 这项工作为加速发现先进电池材料铺平了道路.


