机器学习管道用于固态电解质的设计

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:

• 固态电解质 (SSEs) 对于更安全,高能量密度的电池至关重要.
• 由于巨大的化学空间和有限的数据,发现新的无机SSEs具有挑战性,特别是对于多价值离子.
• 现有的研究往往忽略了多价导体系统 (Mg2+,Ca2+,Zn2+,Al3+).

研究的目的:

• 提出一个系统的框架,将SSE发现挑战与AI解决方案联系起来.
• 为人工智能加速材料发现研究人员提供战略路线图.
• 解决与多价值SSE相关的特定数据缺口和挑战.

主要方法:

• 机器学习 (ML) 管道的全面调查,包括数据资源,特征工程,经典模型,深度学习和生成方法.
• 利用ML原子间潜力进行大规模分子动力学模拟.
• 采用先进的神经网络架构 (例如变压器,GNN) 来进行离子导电率预测.
• 实施生成模型和自主闭环发现平台.

主要成果:

• ML的原子间潜能能够准确地进行微秒级的模拟,揭示非Arrhenius运输.
• 先进的神经网络在预测各种化学空间的离子导电性方面实现了高精度.
• 生成模型成功地提出并验证了新的SSE组合.
• 自主平台在材料发现方面展示了数量级的效率增长.

结论:

• 人工智能提供了强大的解决方案,以加快新型固态电解质的发现.
• 混合工作流程将传统的计算方法与ML结合起来,克服了个人限制.
• 通过转移和主动学习解决多价值系统的数据缺口至关重要.
• 对多目标优化,可解释的人工智能和基于物理的模型的建议指导着未来的研究.