机器学习用于设计和全链研究高的离子阴极

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
• 人工智能的人工智能

背景情况:

• 探索复杂的材料组成,特别是高氧化物 (HEO),是开发先进材料的挑战.
• 加速发现具有优越性质的新材料对于储能应用至关重要.

研究的目的:

• 开发一种新的混合流机器学习 (HFML) 框架,以实现高效的材料发现.
• 为离子电池识别和验证新的高氧化物阴极材料.

主要方法:

• 混合流程机器学习 (HFML) 结合了集体学习,无监督学习和贝叶斯优化.
• 选超过200万份候选人材料.
• 电化学测试,现场X射线衍射 (XRD),试点规模生产和2Ah袋式电池制造.

主要成果:

• 一个新的HEO阴极 (Na$_{0.95}$Li$_{0.06}$Ni$_{0.25}$Cu$_{0.05}$Fe$_{0.1}$Co$_{0.05}$Mn$_{0.44}$Ti$_{0.05}$O$_{2}$) 在1200个循环后具有83.6%的容量保留和高速率性能.
• 确定和验证了影响结构稳定的关键因素.
• 试点规模的生产表明,在600个循环后,2Ah袋式电池的容量保留率为95.0%.

结论:

• 该HFML框架能够有效地探索组合空间,并加速发现先进材料.
• 新发现的HEO阴极对实际的离子电池应用具有显著的前景.
• 这项工作展示了人工智能驱动的完整工作流程,从材料预测到试点规模应用.