机器学习辅助贝叶斯优化,用于发现有效的添加剂,用于金属电池中抑制状物

科学领域:

• 材料科学 材料科学 材料科学
• 电化学 电化学 电化学
• 计算化学计算化学

背景情况:

• (Li) 金属电池的能量密度很高,但由于树石的形成,损害了安全性和性能.
• 电解质添加剂对于抑制树突和使电池稳定运行至关重要.
• 目前添加式发现的方法往往是缓慢的和经验性的.

研究的目的:

• 采用反向设计策略来识别用于金属电池的新型电解质添加剂.
• 专注于促进强大的固体电解质介相层 (SEI) 的添加剂,并促进树平面化.
• 利用计算方法加速材料发现.

主要方法:

• 利用一个反向的设计策略,以分子性质为指导,如最低的未被占用的分子轨道能量和Li表面吸附相互作用能量.
• 实施了使用贝叶斯优化 (BO) 的积极学习过程,以有效地选潜在的添加物分子.
• 根据它们在形成SEI层和平衡Li沉积方面的预测有效性,评估了候选分子.

主要成果:

• 通过计算选识别了62种潜在的SEI形成添加剂和106种平衡添加剂.
• 发现的分子表明预测的性能优于文献中已确定的添加剂.
• 该研究成功地展示了BO在材料发现的反向设计中的实用性.

结论:

• 贝叶斯优化驱动的反向设计是一种强大的方法,用于发现用于储能的先进材料.
• 鉴定到的新型添加剂显示出对提高金属电池的安全性和性能有显著的前景.
• 这项工作为加速下一代金属电池技术的商业化铺平了道路.