一种基于数据的机器学习方法,用于对过渡金属二甲基化物/碳复合物超级电容电极的预测建模
Yaoyu Chen1, Zhongli Yang1, Jiaxuan Wang1
1Shanghai Key Laboratory of Magnetic Resonance, School of Physics and Electronic Science, Institute of Magnetic Resonance and Molecular Imaging in Medicine, East China Normal University, Shanghai 200241, China. lkpan@phy.ecnu.edu.cn.
Nanoscale
|September 24, 2025
概括
机器学习加速了先进超级电容材料的设计. 一个新的框架准确地预测了过渡金属二二甲基/碳复合物的性能,确定了增强能量存储的关键因素.
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
- 计算材料科学科学 计算材料科学
背景情况:
- 过渡金属二二烯化物 (MS2) 对超级电容器有希望,但具有导电性差等局限性.
- 将MS2与导电碳结合起来可以提高性能,但开发往往是经验性的.
- 机器学习 (ML) 提供了一种数据驱动的方法来加速材料发现.
研究的目的:
- 开发和验证用于预测MS2/碳复合物超级电容电极的电化学性能的机器学习框架.
- 为了确定影响伪容量性能的关键材料描述符.
- 加速高性能伪容量材料的合理设计.
主要方法:
- 评估了四种机器学习模型,包括基于变压器的TabPFN.
- 利用夏普利添加式解释 (SHAP) 来解释模型预测和识别关键材料描述符.
- 执行密度函数理论 (DFT) 计算,以验证有关离子吸附的ML预测.
主要成果:
- 该TabPFN模型实现了高的预测准确性 (R2 = 0.988,RMSE = 32.15 Fg-1).
- SHAP分析揭示了共价半径,特定表面积和电流密度作为特定电容的关键因素.
- DFT计算证实了离子吸附能量的ML预测.
结论:
- 建立了一个可靠的ML框架来预测MS2/碳复合材料的电化学性能.
- 该研究提供了对控制超级电容器性能,指导材料设计的关键因素的见解.
- 这种数据驱动的方法显著加速了用于储能的先进伪容量材料的开发.
更多相关视频
08:59Synthesizing a Gel Polymer Electrolyte for Supercapacitors, Assembling a Supercapacitor Using a Coin Cell, and Measuring Gel Electrolyte Performance
Published on: November 30, 2022
5.0K
06:53Author Spotlight: Magnetometric Characterization of Intermediates in the Solid-State Electrochemistry of Redox-Active Metal-Organic Frameworks
Published on: June 9, 2023
2.6K
