基于机器学习的电催化材料的设计,朝着高能和硫电池的发展迈进
Zhiyuan Han1, An Chen2,3, Zejian Li1
1Tsinghua-Berkeley Shenzhen Institute & Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, 518055, P. R. China.
Nature communications
|November 6, 2024
概括
研究人员开发了一种机器学习框架,以了解硫 (Li-S) 电池中的电催化剂相互作用. 这导致了一种新的Fe/Co催化剂,实现了高能量密度,克服了关键循环限制.
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
- 机器学习 机器学习
背景情况:
- 硫 (Li-S) 电池面临的挑战是由于循环过程中的多硫化物转换动力学缓慢.
- 过渡金属电催化剂被提议用于硫阴极,但它们在原子水平上的相互作用尚不清楚.
- 了解这些相互作用对于优化Li-S电池性能至关重要.
研究的目的:
- 开发一个多视图机器学习框架,用于评估电催化剂特性.
- 为了阐明Li-S电池中多个电催化位点之间的原子级相互作用.
- 为了将这些相互作用与聚硫化物转换动力学和Li-S键动力学相关联.
主要方法:
- 机器学习框架的开发,包括内在因素,如纠正d轨道属性.
- 物理化学表征和理论计算来分析轨道合效应.
- 从回收的离子电池中提取的碳涂层Fe/Co电催化剂的合成和测试.
主要成果:
- 电催化站点之间的轨道合被证明会改变带中心和旋转状态.
- 这些变化影响了聚硫化物相互作用,影响了Li-S键断裂和迁移障碍.
- 在高硫负载和稀疏电解质条件下,Fe/Co电催化剂实现了436Wh kg-1的初始特异能.
结论:
- 机器学习框架为原子层面的电触媒机制提供了洞察力.
- 在Fe/Co催化剂中优化轨道合,通过促进聚硫化物转化,提高了Li-S电池的性能.
- 回收材料可以有效地用于先进的Li-S电池组件制造.
