通过混合机器学习优化对离子电池阴极的6858种化合物的高通量选
Yakubu Sani Wudil1,2, Mohammed A Gondal2,3, Mohammed A Al-Osta1,4
1Interdisciplinary Research Center for Construction and Building Materials, King Fahd University of Petroleum & Minerals, Dhahran 31261, Saudi Arabia.
ACS applied materials & interfaces
|February 4, 2025
概括
机器学习加速了用于离子电池的正极材料的发现. 该框架通过预测关键性质和应用对增强能源存储的选标准,确定了18个有前途的电极.
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:
- 离子电池 (ZIB) 为离子电池提供了一个可持续的替代品.
- 发现高效和稳定的阴极材料对于ZIB的发展至关重要.
- 需要数据驱动的方法来加速材料的发现.
研究的目的:
- 开发一个机器学习 (ML) 框架,用于探索ZIBs的新型阴极材料.
- 预测电化学性质并从大数据集中选潜在的候选物.
- 为了加快识别高性能和稳定的ZIB阴极材料.
主要方法:
- 利用了来自材料项目 (MP) 数据库的6858种含化合物的数据集.
- 采用双步ML方法与转移学习来归因缺失的电化学数据.
- 通过主要组件分析进行特征减少后开发出混合模型 (SSA-LGBM和HHO-DNN).
主要成果:
- 成功预测了62个潜在电极的平均电压和重力学容量等关键性质.
- 根据电压,容量,导电性,安全性,稳定性,成本和丰富性来选这些候选者.
- 确定了18种用于离子电池应用的有希望的阴极材料.
结论:
- ML框架显著加快了ZIB的高效和稳定的阴极材料的发现.
- 这种方法为各种电池技术的未来材料勘探提供了可靠的方法.
- 能够提供更可持续和高性能的储能解决方案.


