AI驱动的镁电池嵌入型正极材料加速发现
材料科学
2025-06-11 v1
摘要
镁离子电池有望成为未来的储能解决方案，但当前镁正极面临电压低和比容量低的挑战。在此，我们提出了一种AI驱动的工作流，用于发现高性能镁正极材料。利用各种离子嵌入型电极的共同特征，我们设计并训练了一个晶体图卷积神经网络模型，能够准确预测多种离子的电极电压，平均绝对误差（MAE）在0.25至0.33 V之间。通过将训练好的模型部署到Materials Project和GNoME AI数据集中的稳定镁化合物上，我们在15,308个候选材料中识别出160个电压高于3.0 V且体积容量超过800 Ah/L的高电压结构。我们进一步训练了一个精确的NequIP模型，以促进镁离子电导率的准确快速模拟。从160个高电压结构中，机器学习分子动力学模拟筛选出了23种兼具高能量密度和高离子电导率的正极材料。这一AI驱动的工作流大幅提升了多价离子电池材料发现的效率与精度，为先进镁电池的开发铺平了道路。
引用
@article{arxiv.2412.11032,
title = {AI-Driven Accelerated Discovery of Intercalation-type Cathode Materials for Magnesium Batteries},
author = {Wenjie Chen and Zichang Lin and Xinxin Zhang and Hao Zhou and Yuegang Zhang},
journal= {arXiv preprint arXiv:2412.11032},
year = {2025}
}