通过数据驱动的方法对离子电池的固体电解质相间材料的潜在候选者的选

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学的计算化学
• 电化学 电化学 电化学

背景情况:

• 机器学习加速了材料属性预测,减少了设计最佳材料的挑战.
• 固体电解质介相 (SEI) 材料对于离子电池的性能和寿命至关重要.
• 开发稳定的SEI层是抑制树突形成和提高电池安全的关键.

研究的目的:

• 通过机器学习来完善SEI材料的大数据集.
• 根据化学稳定性,溶解能量和合成易度来确定有前途的SEI候选者.
• 为了揭示影响SEI属性的关键分子特征,为未来的材料发现.

主要方法:

• 利用机器学习方法分析了11664份SEI材料.
• 高精度 (86.7-91.3%) 的预测化学反应和溶解能.
• 确定了关键的原子特征,如双极时刻,异质原子数和影响SEI属性的各种描述符.

主要成果:

• 确定了影响溶解能量和化学反应性的关键分子描述因素 (例如,PEOE_VSA,卡帕指数,功能组).
• 确定含有,和碳的分子促进稳定的SEI形成.
• 强调硫,氧,和含碳分子可以降低稳定的SEI形成能力.

结论:

• 开发了一个强大的机器学习工作流程,用于发现和优化SEI材料.
• 基于预测性质的SEI材料的战略选择可以提高离子电池的性能和寿命.
• 这项研究为选材料提供了关键指导,以有效抑制树形成.