通过机器学习发现高性能,低成本的有机电池材料
Jaehyun Park1, Farshud Sorourifar2, Madhav R Muthyala2
1Department of Chemistry & Biochemistry, The Ohio State University, 100 West 18th Avenue, Columbus, Ohio 43210, United States.
Journal of the American Chemical Society
|November 1, 2024
概括
我们开发了Sparkle, 这是一个使用人工智能发现可持续有机电极材料的框架. 与传统方法相比,这种人工智能方法显著提高了电池性能,并降低了成本.
科学领域:
- 材料科学
- 电化学
- 计算化学
背景情况:
- 有机电极材料 (OEM) 是金属电极的可持续替代品,因为它们的丰富性和结构多样性.
- 通过传统的试验和错误来探索OEM的广设计空间是低效和昂贵的.
研究的目的:
- 开发一个计算框架,SPARKLE,以加速发现高性能,成本效益和稳定的OEM.
- 实现新型OEM的零射击预测,平衡特定能量,可溶性和可合成性.
主要方法:
- 在SPARKLE框架内整合计算化学,分子生成和机器学习.
- 在大型设计空间 (> 670,000 个有机化合物) 部署 SPARKLE 进行候选物体识别.
- 对27个新型OEM候选产品进行实验合成和电池性能测试.
主要成果:
- SPARKLE在插值和抽取任务中表现出优于黑盒ML算法的性能.
- 确定了大约5000个新的OEM候选产品,其中62.9%超过了基准性能指标.
- 合成原始设备的性能比人类选择的材料提高了3倍, 性能最高的原始设备以更低的成本超越了最先进的特定能量和稳定性.
结论:
- 它可以有效地准确地发现先进的有机电极材料.
- 人工智能驱动的材料发现加速了可持续和高性能电池的开发.
- 通过SPARKLE识别的OEM代表了成本效益和可持续的储能解决方案的重大进步.


