基于金国家发电和人工智能辅助的离子液体选,提供了对电解质中运输的机械洞察力
Jifeng Wang1, Ying Wang1,2
1State Key Laboratory of Molecular Engineering of Polymers Department of Macromolecular Science Research Center of AI for Polymer Science, Fudan University, Shanghai 200438, China.
Journal of chemical information and modeling
|October 8, 2025
概括
我们创建了最大的离子液 (IL) 数据库,使人工智能能够预测数百万个IL的特性. 这加速了用于可持续储能的先进电解质的设计.
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:
- 离子液体 (ILs) 是能量储存的重要电解质,因为它们的稳定性和安全性.
- 数据稀缺性阻碍了ILs的合理设计和应用.
- 开发IL属性的预测模型对于推进储能技术至关重要.
研究的目的:
- 构建迄今为止最大的全面的离子液数据库.
- 开发和评估用于预测关键IL属性的AI模型.
- 引入一个评分系统来识别高性能,可合成的ILs.
主要方法:
- 基于金国家的方法被用来建立一个大型的IL数据库.
- 使用高通量DFT计算和文献挖掘来收集IL属性.
- 机器学习模型 (XGBoost,MLP,GCN,GAT) 被训练并评估用于属性预测.
- 分子动力学模拟和运输脱因子 (TDF) 用于验证和机制分析.
主要成果:
- 该数据库包含167,350个,2460个离子和近10^8个潜在的ILs.
- 累积了大约10^5个标记属性,形成了AI模型开发的基础.
- 即使数据有限,XGBoost和MLP模型也显示出最佳性能,用于预测离子导电性,电化学窗口和点.
- 开发了一个ILScore来选具有合成可行性的高性能IL,并通过模拟验证.
结论:
- 开发的AI和计算方法有效地克服了IL研究中的数据稀缺性.
- 该研究为未来的IL设计和财产预测提供了丰富的数据集和预测模型.
- 这项工作有助于发现用于先进储能应用的新型IL.
更多相关视频
11:04Synthesis of Ionic Liquid Based Electrolytes, Assembly of Li-ion Batteries, and Measurements of Performance at High Temperature
Published on: December 20, 2016
13.4K
06:561,3,5-Triphenylbenzene and Corannulene as Electron Receptors for Lithium Solvated Electron Solutions
Published on: October 10, 2016
8.2K
