机器学习辅助的高率Pb无放松器与巨大的能量存储器的组合设计
Xingcheng Wang1, Ji Zhang2, Xingshuai Ma1
1Beijing Advanced Innovation Center for Materials Genome Engineering, Department of Physical Chemistry, University of Science and Technology Beijing, Beijing, 100083, China.
Nature communications
|February 1, 2025
概括
机器学习加速了用于先进的能量存储的高放松器陶的发现. 这项研究在无材料中实现了20.7 J cm-3的能量密度,展示了一种数据驱动的方法.
科学领域:
- 材料科学 材料科学 材料科学
- 储能 储能 储能 储能 储能 储能
- 机器学习应用 机器学习应用
背景情况:
- 高率策略增强了电子系统的放松器中的电容储能.
- 高性材料的庞大的组成空间带来了重大探索挑战.
研究的目的:
- 开发一种机器学习模型,用于高材料的高效选.
- 为了证明一个高性能,无的高放松器陶,用于储能应用.
主要方法:
- 利用在实验数据上训练的随机森林回归模型来预测材料特性.
- 使用开发的机器学习模型,对高系统进行了选元素和组合.
- 合成和表征了一个 (Bi0.5Na0.5) TiO3基的高放松器陶.
主要成果:
- 在无高放松器中实现了20.7 J cm-3的高能量存储密度和86%的效率.
- 确定了一种具有细粒度,弱合,小极集群,近线性极化和超高分解强度 (95 kV mm-1) 的材料.
- 在27ns的放电速度下显示出7.7 J cm-3的放电能量密度,具有出色的温度和疲劳稳定性.
结论:
- 一个数据驱动的机器学习模型可以有效地探索高性能高度放松器.
- 开发的无高放松器陶显示了先进的电气和电子系统的巨大潜力.
- 突出了机器学习在加速能源储存材料发现方面的能力.


