通过迭代机器学习加速电池材料优化

电池材料的性能取决于其组成以及在商业规模制造过程中使用的工艺条件，其中原料经历复杂的工序并添加各种添加剂以制成最终产品。随着这些参数的复杂度随行业发展不断增加，传统的单因素实验方法已显得过时。尽管领域专家有助于参数优化，但随着因素复杂度的增加，这种传统方法日益暴露于认知局限和人为偏见的威胁之下。本文引入一种迭代机器学习 (ML) 框架，将主动学习整合以指导有针对性的实验并促进模型的逐步细化。该方法系统性地利用包括成功和不成功结果在内的全面实验观察，有效缓解了人为偏见，缓解了数据稀缺问题。因此，显著加快了在高维设计空间中的探索。我们的结果表明，基于主动学习的实验显著减少了所需的实验周期数量，凸显了基于 ML 的策略在加速电池材料优化方面的变革性潜力。